Книга представляет собой введение в основные понятия, методы и ал

Пример задачи машинного обучения

{− }
В этом пункте мы приведем пример одной задачи ML и связанного с ней описания объектов. Данная задача называется задачей кредитно- го скоринга. Объектами в ней являются заявки на выдачу кредита в некотором банке, а ответами – элементы множеста 1, 1 . Для каждого объекта ответ 𝑓 () интепретируется как решение банка:

• 
  ответ «1»: выдать кредит по заявке ,
  
• 
  ответ «−1»: отказать в удовлетворении заявки .
  

Решение банка по удовлетворению заявки является правильным, если

∙
клиент, подавший эту заявку, и получивший кредит, вернет его в должный срок, или

∙
клиент, которому было отказано в удовлетворении заявки , в слу- чае получения этого кредита с высокой вероятностью может не вер- нуть его в должный срок.
Известно множество 𝑆 = {(, ) | = 1, . . . } где ∀ = 1, . . .

• 
  – некоторая заявка на выдачу кредита,
  
• 
  – решение банка по этой заявке, которое является правильным.
  

Требуется обучиться функции 𝑎_𝑆, вычисляющей по каждой новой за- явке правильное решение. Данную задачу можно решать методами ML, в которой 𝑆 рассматривается как обучающая выборка.
Каждый объект в этой задаче связан с некоторым клиентом, и при- знаки объекта могут иметь вид различных характеристик этого клиента. Например, могут быть выбраны следующие признаки:

• 
  бинарные: пол, наличие постоянной работы, и т.д.
  
• 
  номинальные: место проживания, профессия, работодатель и т.д.
  
• 
  порядковые: образование, должность и т.д.
  

∙
количественные: возраст, зарплата, стаж работы, доход семьи, сум- ма кредита и т.д.
Описанная выше задача ML может допускать различные обобщения. Например, можно обучаться не только нахождению правильных реше- ний банка, но и например оценке вероятности дефолта клиента (т.е. воз- никновения ситуации, когда клиент, получивший кредит, не вернет его в должный срок).

5.