数据集由 1000 名客户组成。输入变量是主 目标是银行对信贷 体的个人特征，如社会人口统计、财务和个人特征，以及与贷款相关的特征，如贷款金额、认购目的和财富指标。 的信用度的评估（2 = 有风险，1 = 信誉良好）。
在此数据集中
700 名申请人（70％）被归类为信用良好，300 名申请人（30％）被归类为有风险。
我们将有风险的客户称为正类，将有 Viber 手机数据 信用的客户称为负类。
针对不同分类阈值产生预期利润的工作流程
图 1 所示的工作流程从数据访问和预处理开始。为了评估模 监视你的竞争对手 型的预测能力，将初始数据集分成两个大小相等的表，分别称为训练集和验证集。接下来，在训练集上训练逻辑回归模型以预测申请人的信用度。
在“按阈值获利”元节点中
根据逻辑回归模型预测的正类分数和分类阈值，将验证集 往 印度手机号码 任何 中的申请人分配到两个信用等级“风险”和“信誉良好”。分类重复多次，从较低的阈值开始，每次迭代都会增加阈值。元节点的输出表包含使用不同阈值和预定义利润矩阵获得的准确度统计数据和预期利润。
最后，不同阈值的模型性能统计数据显示在由“利润视图”组件生成的交互式复合视图中。