您可以从以下位置下载此工作流程：
示例服务器（示例/04_分析/10_评分/02_优化_分类_阈值_基于_利润）
图 1：基于预测的正类得分、预定义 可以从交互式复合视图和 利润矩阵和分 可以从交互式复合视图 类阈值的变化值，训练分类模型并生成准确度统计数据和预期利润的工作流程。 表格输出中根据经验定义最佳阈值，这些视图和表格输出显示了不同阈值的准确度和预期利润。该工作流程可从 EXAMPLES 服务器和 Hub 下载
利润矩阵
为了根据预期利润评估错误分类，需要利润矩 电报数据库 阵来将成本分配给不良结果。
我们对假阴性（获得信贷批准的风险较高的申请人）引入负成本（-1），对真阴性（获得信贷批准的信誉良好的申请人）引入正利润（0.35）。表 1 中的利润矩阵显示了这些分类结果的成本和利润值。
表 1：将利润引入分类结果的利润矩阵：批准不良信用的成本，以及批准良好信用的利润。
表 1 中引入的成本和利润值基于以下假设 [1]：假设银行的正 紧急和特殊服务号码快速指南 确决策将在特定时期（例如 3-5 年）结束时产生 35% 的利润。如果情况相反，即银行预测申请人的信用良好，但事实证明其信用不良，则损失为 100%。
计算预期利润
以下公式用于报告预期利润方面的模型表现：
其中p 是所有数据中正（风险）类事件的份额。
其中n是信贷申请人的数量。更一般地，假设具有负风险潜力的 往 印度手机号码 任何 类别被定义为正类别，则可以使用以下公式计算具有利润矩阵的分类模型的平均利润：
其中n 是数据中的事件数。在此示例中，验证集中有 500 名信贷申请人，平均贷款额为 10 000 欧元。70% 的申请人信誉良好，30% 的申请人有风险。