Анкетный скоринг

Материал из MachineLearning.

(Различия между версиями)

Перейти к: навигация, поиск

Версия 16:53, 14 июля 2026

Статья написана с использованием LLM **DeepSeek-V3** и проверена участником StatProf (обсуждение) 14 июля 2026.

Содержание

1 Критерий Акаике (AIC)

Критерий Акаике (AIC)

Критерий Акаике (AIC — от англ. Akaike Information Criterion) — один из наиболее распространённых информационных критериев для выбора статистических моделей по принципу максимума правдоподобия с учётом их сложности. AIC позволяет сравнивать модели, оценивая, насколько хорошо они описывают наблюдаемые данные, и одновременно штрафуя за излишнее количество параметров, что предотвращает переобучение.

Определение и мотивация

При построении статистических моделей исследователь часто сталкивается с дилеммой: увеличение числа параметров всегда повышает качество подгонки на обучающей выборке, но может ухудшить предсказательную способность на новых данных (генерализующая способность). Традиционные подходы, такие как проверка гипотез, не дают единой меры для сравнения невложенных моделей, а кросс-валидация вычислительно затратна. AIC предлагает простую и теоретически обоснованную оценку расстояния Кульбака–Лейблера между истинной моделью и оцениваемой, что делает его удобным инструментом для выбора модели в задачах прогнозирования и объяснительного моделирования.

Историческая справка

Критерий был предложен японским статистиком Хиротогу Акаике в 1974 году в работе «A new look at the statistical model identification» (IEEE Transactions on Automatic Control). Акаике исходил из идей теории информации и энтропии Шеннона, показав, что максимизация логарифмического правдоподобия эквивалентна минимизации информационного расхождения между истинным распределением и оцениваемой моделью.

Теоретические основы

Пусть имеется истинная модель $g(\mathbf{x})$ и кандидатная модель $f(\mathbf{x} \mid \boldsymbol{\theta})$ с $K$ параметрами. Расстояние Кульбака–Лейблера между ними:

$D_{KL}(g \parallel f) = \int g(\mathbf{x}) \ln \frac{g(\mathbf{x})}{f(\mathbf{x} \mid \boldsymbol{\theta})} \, d\mathbf{x} = \mathbb{E}_g[\ln g(\mathbf{x})] - \mathbb{E}_g[\ln f(\mathbf{x} \mid \boldsymbol{\theta})].$

Первое слагаемое одинаково для всех моделей, поэтому минимизация $D_{KL}$ эквивалентна максимизации $\mathbb{E}_g[\ln f(\mathbf{x} \mid \boldsymbol{\theta})]$ — среднего логарифма правдоподобия по истинному распределению. Акаике показал, что максимум логарифмического правдоподобия $\ln L(\hat{\boldsymbol{\theta}} \mid \mathbf{y})$ является смещённой оценкой этого математического ожидания, и смещение примерно равно числу параметров $K$ . Отсюда получается несмещённая оценка:

$\widehat{\mathbb{E}_g[\ln f]} = \ln L(\hat{\boldsymbol{\theta}} \mid \mathbf{y}) - K.$

Умножив на $-2$ (по историческим причинам, чтобы согласовать с распределением $\chi^2$ ), получают:

$AIC = -2 \ln L(\hat{\boldsymbol{\theta}} \mid \mathbf{y}) + 2K.$

Штраф $2K$ — это плата за неопределённость оценки параметров; каждый дополнительный параметр увеличивает AIC на 2, что эквивалентно требованию улучшения логарифмического правдоподобия как минимум на 1 (поскольку $-2\Delta \ln L > 2$ означает $\Delta \ln L > 1$ ).

Интерпретация и применение

AIC является относительной мерой качества модели. Чем меньше значение AIC, тем лучше модель. При сравнении нескольких моделей вычисляют разности $\Delta_i = AIC_i - AIC_{min}$ . Эмпирическое правило:

$\Delta_i \le 2$ — модели практически эквивалентны;
$4 \le \Delta_i \le 7$ — различие заметно;
$\Delta_i > 10$ — модель существенно хуже, её можно исключить из рассмотрения.

Важно, что AIC позволяет сравнивать только модели, построенные на одной и той же выборке и с одинаковым набором наблюдений (зависимая переменная должна быть идентичной). При сравнении моделей с разным числом параметров предпочтение отдаётся модели с меньшим AIC.

Пример

Пусть для данных подбираются линейная регрессия с 2 параметрами ( $AIC=120$ ) и полиномиальная модель с 5 параметрами ( $AIC=115$ ). Разность $\Delta=5$ указывает на умеренное преимущество полиномиальной модели; если $\Delta>10$ , выбор был бы очевидным.

Модификации

AICc (исправленный AIC для малых выборок) — вводит дополнительный штраф, зависящий от объёма выборки $n$ :

 
 Рекомендуется использовать при . Разработан Сугиурой (1978).

QAIC (Quasi-AIC) — для данных с передисперсией (например, в экологических моделях). Заменяет логарифмическое правдоподобие на квази-правдоподобие и вводит коэффициент дисперсии $\hat{c}$ :

 
 Используется, когда распределение данных не соответствует стандартным семействам (например, биномиальное с избыточной вариативностью).

Ограничения

Несостоятельность: AIC не стремится к выбору истинной модели с вероятностью 1 при $n \to \infty$ (в отличие от BIC), а склонен выбирать модели с избыточным числом параметров, если они дают сколь угодно малое улучшение правдоподобия. Это свойство называют асимптотической неэффективностью в смысле состоятельности.
Неприменим для сравнения моделей с разными объёмами данных или разными зависимыми переменными (например, с логарифмическим преобразованием).
Чувствителен к выбору распределения; если оно специфицировано неверно, выводы могут быть ошибочными.
Требует, чтобы модели были оценены методом максимального правдоподобия; для других методов оценки (например, метод моментов) использование AIC не обосновано.

Сравнение с другими критериями

BIC (Bayesian Information Criterion, Шварц, 1978): $BIC = -2 \ln L + K \ln n$ . Штраф растёт с объёмом выборки, поэтому BIC более консервативен и асимптотически состоятелен. При $n > 8$ BIC сильнее штрафует за параметры, чем AIC. BIC предпочтителен, когда истинная модель предполагается конечномерной и входит в множество кандидатов.
DIC (Deviance Information Criterion) — для байесовских моделей, использует апостериорное среднее отклонений.
WAIC (Widely Applicable Information Criterion) — полностью байесовский критерий, согласованный с кросс-валидацией leave-one-out.
Кросс-валидация — даёт прямую оценку ошибки прогноза, но требует многократного переобучения; при больших данных может быть предпочтительнее AIC.

Практические рекомендации

Если цель — прогнозирование и размер выборки мал ( $n/K < 40$ ), используйте AICc.
Если цель — идентификация истинной структуры модели (например, отбор значимых предикторов) при большом $n$ , предпочтительнее BIC.
Всегда приводите значения AIC для всех сравниваемых моделей, а также $\Delta_i$ и веса Акаике $w_i = \frac{\exp(-\Delta_i/2)}{\sum_j \exp(-\Delta_j/2)}$ , которые интерпретируются как вероятности того, что модель $i$ является лучшей среди рассматриваемых (в смысле KL-расстояния).
Избегайте «драпировки» моделей (data dredging) — сравнение большого числа моделей без априорных гипотез повышает риск случайных находок; используйте коррекцию на множественное тестирование.

Заключение

Критерий Акаике остаётся одним из самых цитируемых инструментов в статистическом моделировании благодаря своей простоте, теоретической прозрачности и универсальности. Несмотря на разработанные позднее альтернативы, AIC сохраняет актуальность в задачах, где приоритетом является предсказательная точность, особенно при умеренных размерах выборки. Современные тенденции — интеграция AIC с методами регуляризации (LASSO, ридж-регрессия) и использование информационных критериев в глубоком обучении для выбора архитектур — расширяют область его применения.

Литература

Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716–723.
Burnham, K. P., & Anderson, D. R. (2002). Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach. 2nd ed. Springer.
McQuarrie, A. D. R., & Tsai, C.-L. (1998). Regression and Time Series Model Selection. World Scientific.
Konishi, S., & Kitagawa, G. (2008). Information Criteria and Statistical Modeling. Springer.
Claeskens, G., & Hjort, N. L. (2008). Model Selection and Model Averaging. Cambridge University Press.

Источник — «http://poligon.machinelearning.ru/wiki/index.php?title=%D0%90%D0%BD%D0%BA%D0%B5%D1%82%D0%BD%D1%8B%D0%B9_%D1%81%D0%BA%D0%BE%D1%80%D0%B8%D0%BD%D0%B3»

Категории: Статистические критерии | Выбор модели | Теория информации

@@ Строка 1: / Строка 1: @@
-{{well|Статья написана с использованием LLM '''DeepSeek-V3''' и проверена участником ~~Ilia Vdovin~~}}
+{{well|Статья написана с использованием LLM **DeepSeek-V3** и проверена участником [[User:StatProf|StatProf]] ([[User talk:StatProf|обсуждение]]) 14 июля 2026.}}
-'''Анкетный скоринг''' (англ. ''application scoring'') — это система математических и статистических моделей, используемая банками и микрофинансовыми организациями для прогнозирования вероятности неисполнения заёмщиком своих обязательств по кредиту на основе данных, предоставленных в заявке-анкете. Анкетный скоринг является первым и одним из ключевых этапов кредитного конвейера; его результат непосредственно влияет на решение о выдаче кредита, сумму и процентную ставку.
+= Критерий Акаике (AIC) =
-Вместе с [[поведенческий скоринг|поведенческим скорингом]] (анализ транзакционной активности в процессе обслуживания долга) и [[коллекторский скоринг|коллекторским скорингом]] (оценка эффективности взыскания просроченной задолженности) анкетный скоринг образует триединую систему управления кредитным риском на протяжении всего жизненного цикла ссуды. Однако, в отличие от поведенческих и коллекторских моделей, анкетные карты опираются исключительно на статические признаки, известные до выдачи кредита, что делает их наиболее критичными с точки зрения предотвращения невозвратов.
+'''Критерий Акаике''' ('''AIC''' — от англ. ''Akaike Information Criterion'') — один из наиболее распространённых [[информационный критерий|информационных критериев]] для [[выбор модели|выбора статистических моделей]] по принципу максимума [[функция правдоподобия|правдоподобия]] с учётом их сложности. AIC позволяет сравнивать модели, оценивая, насколько хорошо они описывают наблюдаемые данные, и одновременно штрафуя за излишнее количество параметров, что предотвращает [[переобучение]].
-== Историческая справка ==
+== Определение и мотивация ==
-Идея количественной оценки кредитоспособности зародилась в США в 1940‑х годах. Пионерами считаются инженер [[Уильям Фэйр]] (William Fair) и математик [[Эрл Айзек]] (Earl Isaac), которые в 1956 году основали компанию Fair, Isaac and Company (ныне [[FICO]]). Первая скоринговая карта была разработана для розничного кредитора и основывалась на эвристических весах, назначенных экспертами.
+При построении статистических моделей исследователь часто сталкивается с дилеммой: увеличение числа параметров всегда повышает качество подгонки на обучающей выборке, но может ухудшить предсказательную способность на новых данных ([[генерализация|генерализующая способность]]). Традиционные подходы, такие как проверка гипотез, не дают единой меры для сравнения невложенных моделей, а [[кросс-валидация]] вычислительно затратна. AIC предлагает простую и теоретически обоснованную оценку [[расстояние Кульбака–Лейблера|расстояния Кульбака–Лейблера]] между истинной моделью и оцениваемой, что делает его удобным инструментом для выбора модели в задачах прогнозирования и объяснительного моделирования.
-В 1960‑х годах, с развитием вычислительной техники и распространением кредитных карт, скоринг стал массовым. Ключевым прорывом стало использование [[логистическая регрессия|логистической регрессии]], которая обеспечивала статистически обоснованные вероятности дефолта. В 1970‑х годах был принят [[Закон о равных кредитных возможностях]] (Equal Credit Opportunity Act, ECOA), запретивший дискриминацию по расовому, половому и другим признакам, что потребовало формализации и документирования всех переменных, используемых в скоринговых картах. С 1990‑х годов скоринговые карты стали обязательным инструментом риск-менеджмента в большинстве стран, а с начала 2000‑х активно внедряются методы машинного обучения.
+== Историческая справка ==
-== Постановка задачи ==
+Критерий был предложен японским статистиком [[Хиротогу Акаике]] в 1974 году в работе «A new look at the statistical model identification» (IEEE Transactions on Automatic Control). Акаике исходил из идей [[теория информации|теории информации]] и [[энтропия|энтропии]] Шеннона, показав, что максимизация логарифмического правдоподобия эквивалентна минимизации информационного расхождения между истинным распределением и оцениваемой моделью.
-В наиболее распространённой постановке анкетный скоринг представляет собой задачу [[бинарная классификация|бинарной классификации]] с целевой переменной <tex>y \in \{0,1\}</tex>, где:
+== Теоретические основы ==
-* <tex>y = 1</tex> соответствует «плохому» заёмщику (дефолт, обычно определяемый как просрочка более 90 дней в течение первых 12–24 месяцев после выдачи);
+Пусть имеется истинная модель <tex>g(\mathbf{x})</tex> и кандидатная модель <tex>f(\mathbf{x} \mid \boldsymbol{\theta})</tex> с <tex>K</tex> параметрами. [[Расстояние Кульбака–Лейблера]] между ними:
-* <tex>y = 0</tex> — «хорошему» заёмщику (обслуживает кредит в соответствии с графиком).
-Пусть <tex>X = (x_1, \dots, x_p)</tex> — вектор признаков, полученных из анкеты (возраст, доход, образование, трудовой стаж, семейное положение, наличие недвижимости, кредитная история из бюро и т.д.). Требуется построить модель <tex>f(X) = \mathbb{P}(y = 1 \mid X)</tex>, которая возвращает оценку вероятности дефолта. На основе этой оценки принимается решение: если <tex>f(X) > \theta</tex>, то в выдаче кредита отказывают (или предлагают его на ужесточённых условиях), иначе — одобряют. Порог <tex>\theta</tex> выбирается исходя из бизнес-стратегии и аппетита к риску.
+<tex>D_{KL}(g \parallel f) = \int g(\mathbf{x}) \ln \frac{g(\mathbf{x})}{f(\mathbf{x} \mid \boldsymbol{\theta})} \, d\mathbf{x} = \mathbb{E}_g[\ln g(\mathbf{x})] - \mathbb{E}_g[\ln f(\mathbf{x} \mid \boldsymbol{\theta})].</tex>
-== Этапы построения скоринговой карты ==
+Первое слагаемое одинаково для всех моделей, поэтому минимизация <tex>D_{KL}</tex> эквивалентна максимизации <tex>\mathbb{E}_g[\ln f(\mathbf{x} \mid \boldsymbol{\theta})]</tex> — среднего логарифма правдоподобия по истинному распределению. Акаике показал, что [[метод максимального правдоподобия|максимум логарифмического правдоподобия]] <tex>\ln L(\hat{\boldsymbol{\theta}} \mid \mathbf{y})</tex> является смещённой оценкой этого математического ожидания, и смещение примерно равно числу параметров <tex>K</tex>. Отсюда получается несмещённая оценка:
-Жизненный цикл анкетной скоринговой карты включает следующие обязательные этапы.
+<tex>\widehat{\mathbb{E}_g[\ln f]} = \ln L(\hat{\boldsymbol{\theta}} \mid \mathbf{y}) - K.</tex>
-=== 1. Сбор и подготовка данных ===
+Умножив на <tex>-2</tex> (по историческим причинам, чтобы согласовать с [[хи-квадрат|распределением <tex>\chi^2</tex>]]), получают:
-Исходные данные извлекаются из внутренних банковских систем (заявки, выдачи, платежные календари) и внешних источников (кредитные бюро, государственные реестры). Обязательно проводится:
+<tex>AIC = -2 \ln L(\hat{\boldsymbol{\theta}} \mid \mathbf{y}) + 2K.</tex>
-* '''Очистка''' — удаление дубликатов, исправление очевидных ошибок (например, возраст 200 лет).
+'''Штраф <tex>2K</tex>''' — это плата за неопределённость оценки параметров; каждый дополнительный параметр увеличивает AIC на 2, что эквивалентно требованию улучшения логарифмического правдоподобия как минимум на 1 (поскольку <tex>-2\Delta \ln L > 2</tex> означает <tex>\Delta \ln L > 1</tex>).
-* '''Обработка пропусков''' — используются простые методы (заполнение медианой, модой, средним), а также более продвинутые: создание отдельной категории «нет данных», применение индикаторов пропусков, использование моделей-заменителей (например, [[k-ближайших соседей]] для импутации).
-* '''Кодирование категориальных переменных''' — вместо one-hot-кодирования, которое порождает много разреженных признаков, классическим подходом является использование [[Weight of Evidence]] (WoE) и [[Information Value]] (IV), о которых сказано ниже.
-* '''Нормализация''' — для методов, чувствительных к масштабу (например, градиентный спуск), применяется стандартизация или min-max масштабирование.
-=== 2. Отбор и преобразование признаков ===
+== Интерпретация и применение ==
-Ключевой этап в построении классической скоринговой карты — преобразование непрерывных и категориальных переменных в категории с последующей заменой их на веса WoE. Для каждой группы <tex>i</tex> вычисляется:
+AIC является относительной мерой качества модели. '''Чем меньше значение AIC, тем лучше модель'''. При сравнении нескольких моделей вычисляют разности <tex>\Delta_i = AIC_i - AIC_{min}</tex>. Эмпирическое правило:
-<tex>WoE_i = \ln\left(\frac{good_i}{bad_i}\right)</tex>,
+* <tex>\Delta_i \le 2</tex> — модели практически эквивалентны;
+* <tex>4 \le \Delta_i \le 7</tex> — различие заметно;
+* <tex>\Delta_i > 10</tex> — модель существенно хуже, её можно исключить из рассмотрения.
-где <tex>good_i</tex> — доля «хороших» заёмщиков в группе <tex>i</tex>, а <tex>bad_i</tex> — доля «плохих». Это преобразование обеспечивает монотонность отношения признака к целевой переменной и позволяет работать с немонотонными зависимостями. Информативность признака оценивается через [[Information Value]]:
+Важно, что AIC позволяет сравнивать только модели, построенные на '''одной и той же''' выборке и с одинаковым набором наблюдений (зависимая переменная должна быть идентичной). При сравнении моделей с разным числом параметров предпочтение отдаётся модели с меньшим AIC.
-<tex>IV = \sum_{i} (good_i - bad_i) \cdot WoE_i</tex>.
+=== Пример ===
+Пусть для данных подбираются линейная регрессия с 2 параметрами (<tex>AIC=120</tex>) и полиномиальная модель с 5 параметрами (<tex>AIC=115</tex>). Разность <tex>\Delta=5</tex> указывает на умеренное преимущество полиномиальной модели; если <tex>\Delta>10</tex>, выбор был бы очевидным.
-Обычно признаки с <tex>IV < 0.02</tex> исключаются как неинформативные, а признаки с <tex>IV > 0.3</tex> считаются очень сильными. Кроме того, для борьбы с [[мультиколлинеарность]] используется анализ корреляционной матрицы и вычисление VIF (Variance Inflation Factor). Группировка (бакетирование) выполняется с помощью деревьев решений или методов динамического программирования, обеспечивающих статистическую значимость различий между соседними группами.
+== Модификации ==
-=== 3. Выбор модели ===
+* '''AICc''' (исправленный AIC для малых выборок) — вводит дополнительный штраф, зависящий от объёма выборки <tex>n</tex>:
+  <tex>AICc = AIC + \frac{2K(K+1)}{n - K - 1}.</tex>
+  Рекомендуется использовать при <tex>n/K < 40</tex>. Разработан Сугиурой (1978).
+* '''QAIC''' (Quasi-AIC) — для данных с [[передисперсия|передисперсией]] (например, в экологических моделях). Заменяет логарифмическое правдоподобие на квази-правдоподобие и вводит коэффициент дисперсии <tex>\hat{c}</tex>:
+  <tex>QAIC = -2 \ln L / \hat{c} + 2K.</tex>
+  Используется, когда распределение данных не соответствует стандартным семействам (например, [[биномиальное распределение|биномиальное]] с избыточной вариативностью).
-'''Классический подход''' — [[логистическая регрессия]]:
+== Ограничения ==
-<tex>f(X) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 x_1 + \dots + \beta_p x_p)}}</tex>.
+* '''Несостоятельность''': AIC не стремится к выбору истинной модели с вероятностью 1 при <tex>n \to \infty</tex> (в отличие от [[байесовский информационный критерий|BIC]]), а склонен выбирать модели с избыточным числом параметров, если они дают сколь угодно малое улучшение правдоподобия. Это свойство называют асимптотической неэффективностью в смысле состоятельности.
+* Неприменим для сравнения моделей с разными объёмами данных или разными [[зависимая переменная|зависимыми переменными]] (например, с логарифмическим преобразованием).
+* Чувствителен к выбору [[распределение вероятностей|распределения]]; если оно специфицировано неверно, выводы могут быть ошибочными.
+* Требует, чтобы модели были оценены методом максимального правдоподобия; для других методов оценки (например, [[метод моментов|метод моментов]]) использование AIC не обосновано.
-Её преимущества: прозрачность, простота интерпретации, малые вычислительные затраты и наличие регуляризации (L1 — [[Лассо]], L2 — [[гребневая регрессия]] или ElasticNet). Именно логистическая регрессия остаётся «золотым стандартом» для регуляторов.
+== Сравнение с другими критериями ==
-'''Современные альтернативы''':
+* '''[[Байесовский информационный критерий|BIC]]''' (Bayesian Information Criterion, Шварц, 1978): <tex>BIC = -2 \ln L + K \ln n</tex>. Штраф растёт с объёмом выборки, поэтому BIC более консервативен и асимптотически состоятелен. При <tex>n > 8</tex> BIC сильнее штрафует за параметры, чем AIC. BIC предпочтителен, когда истинная модель предполагается конечномерной и входит в множество кандидатов.
+* '''[[DIC]]''' (Deviance Information Criterion) — для байесовских моделей, использует [[апостериорное распределение|апостериорное]] среднее отклонений.
+* '''[[WAIC]]''' (Widely Applicable Information Criterion) — полностью байесовский критерий, согласованный с [[кросс-валидация|кросс-валидацией]] leave-one-out.
+* '''[[Кросс-валидация]]''' — даёт прямую оценку ошибки прогноза, но требует многократного переобучения; при больших данных может быть предпочтительнее AIC.
-* [[Деревья решений]] — интерпретируемы, но склонны к переобучению.
+== Практические рекомендации ==
-* [[Случайный лес]] и [[градиентный бустинг]] (XGBoost, LightGBM, CatBoost) — показывают высокую точность, особенно при большом числе признаков и сложных нелинейных зависимостях, однако требуют дополнительных методов для обеспечения интерпретируемости.
-* [[Нейронные сети]] — применяются при наличии очень больших объёмов данных и множества альтернативных источников (например, текстовые поля или данные с мобильного устройства), но крайне сложны для регуляторного одобрения из-за «чёрного ящика».
-На практике часто используют гибридный подход: бустинг используется для выделения сложных паттернов, а финальная карта строится как логистическая регрессия на бустинговых прогнозах или на выходных признаках (например, на весах WoE).
+* Если цель — прогнозирование и размер выборки мал (<tex>n/K < 40</tex>), используйте AICc.
+* Если цель — идентификация истинной структуры модели (например, отбор значимых предикторов) при большом <tex>n</tex>, предпочтительнее BIC.
-=== 4. Обучение и калибровка ===
+* Всегда приводите значения AIC для всех сравниваемых моделей, а также <tex>\Delta_i</tex> и веса Акаике <tex>w_i = \frac{\exp(-\Delta_i/2)}{\sum_j \exp(-\Delta_j/2)}</tex>, которые интерпретируются как вероятности того, что модель <tex>i</tex> является лучшей среди рассматриваемых (в смысле KL-расстояния).
+* Избегайте «драпировки» моделей (data dredging) — сравнение большого числа моделей без априорных гипотез повышает риск случайных находок; используйте коррекцию на множественное тестирование.
-Обучение проводится на исторической выборке, разбитой на обучающую и валидационную (обычно 70%/30%). Из-за сильного [[дисбаланс классов|дисбаланса классов]] (доля дефолтов редко превышает 5–10%) применяются:
-* взвешивание объектов (class_weight);
-* техники семплирования: SMOTE, ADASYN или случайный оверсемплинг/андерсемплинг;
-* использование специализированных метрик, не чувствительных к дисбалансу (AUC-ROC, Gini).
-Обязательной является калибровка вероятностей, особенно при использовании ансамблевых методов. Для этого применяется [[калибровка Платта]] или [[изотоническая регрессия]] — это гарантирует, что предсказанные вероятности соответствуют реальным частотам дефолта в каждой группе риска.
-=== 5. Оценка качества ===
-Для оценки качества скоринговой карты используются следующие метрики:
-* '''AUC-ROC''' (Area Under ROC-curve) — способность модели разделять два класса; значение выше 0.75 считается хорошим, выше 0.85 — отличным.
-* '''Коэффициент Джини (Gini)''' = 2 * AUC — 1.
-* '''KS-статистика (Колмогорова-Смирнова)''' — максимальное различие между кумулятивными долями хороших и плохих заёмщиков; значение выше 0.3 признаётся удовлетворительным, выше 0.4 — хорошим.
-* '''Калибровочный график''' (сравнение средней предсказанной вероятности с фактической долей дефолтов в каждом дециле).
-* '''Таблица соответствия (рейтинг-скейл)''' — перевод вероятностей в целочисленные баллы (например, от 300 до 850), удобные для бизнес-пользователей.
-=== 6. Валидация ===
-Валидация включает:
-* [[Кросс-валидация|Кросс-валидацию]] (k-fold) на обучающей выборке.
-* Тестирование на отложенной выборке (hold-out test), не участвовавшей в подборе гиперпараметров.
-* Бэк-тестинг (back-testing) — проверку модели на исторических данных за предыдущие периоды, которые не были включены в обучение, чтобы оценить её стабильность во времени.
-В соответствии с требованиями [[Базель III]] и указаниями Центрального банка, валидация должна проводиться независимой командой (не разработчиками модели), а результаты документироваться в отчёте о валидации.
-=== 7. Мониторинг и переобучение ===
-После внедрения скоринговая карта требует постоянного мониторинга:
-* '''Стабильность популяции''' — отслеживание индекса стабильности совокупности (Population Stability Index, PSI) для каждого признака и для общего скора. При PSI > 0.25 требуется глубокая перекалибровка.
-* '''Дрейф признаков''' — сравнение распределений признаков на текущем потоке заявок с обучающей выборкой.
-* '''Анализ ошибок''' — вычисление фактической частоты дефолтов по каждому децилю прогнозной вероятности.
-Периодичность переобучения (рефреша) обычно составляет 6–12 месяцев, однако при резких изменениях макроэкономической ситуации может потребоваться экстренная перекалибровка.
-== Ключевые проблемы и способы их решения ==
-* '''Дисбаланс классов''' решается не только взвешиванием, но и использованием скоринговых метрик (например, AUC) вместо accuracy, а также применением методов генерации синтетических объектов.
-* '''Пропуски в данных''' — важно не удалять объекты с пропусками, так как сам факт отсутствия информации часто несёт прогностическую силу. Поэтому используют индикаторные переменные (dummy для пропусков) и заполнение значениями, рассчитанными по аналогичным заёмщикам.
-* '''Мультиколлинеарность и переобучение''' контролируются регуляризацией, отбором признаков по IV и VIF, а также ограничением сложности модели (например, максимальная глубина дерева в бустинге).
-* '''Интерпретируемость''' остаётся главным препятствием для внедрения сложных моделей. Регулятор (в том числе ЦБ РФ) требует, чтобы банк мог объяснить клиенту причину отказа или изменения условий. Для этого используются глобальные и локальные методы объяснения: [[SHAP]] (SHapley Additive exPlanations), [[LIME]] (Local Interpretable Model-agnostic Explanations), а также визуализация важности признаков (например, барчаты). В идеале модель должна быть монотонной по экономически значимым признакам (например, чем выше доход — тем ниже риск), что часто достигается специальными ограничениями при обучении.
-== Регуляторные требования ==
-В России основным документом является [[Положение Банка России № 590-П]] (о порядке формирования резервов) и методические рекомендации по внутренним моделям оценки кредитного риска. Банки, использующие продвинутые подходы (IRB), обязаны проходить строгую валидацию моделей, включая стресс-тестирование. Базельский комитет по банковскому надзору в документе «Guidelines on credit risk modelling» (2020) требует:
-* прозрачности всех этапов построения;
-* независимой валидации;
-* документирования всех ограничений модели;
-* регулярного мониторинга и отчёта перед советом директоров.
-Несоблюдение этих требований может привести к повышению нормативных резервов и, как следствие, к убыткам.
-== Современные тенденции ==
-. '''Альтернативные данные''' — использование цифрового следа (поведение в интернете, история мобильных платежей, геолокация) для скоринга клиентов, не имеющих традиционной кредитной истории. Это позволяет расширить финансовую доступность, однако требует осторожности с точки зрения приватности и регуляторных ограничений.
-. '''Объяснимый ИИ (XAI)''' — разработка методов, совмещающих высокую точность бустинга с полноценной интерпретируемостью, например, деревья решений с монотонными ограничениями и модели на основе правил.
-. '''Автоматизированное машинное обучение (AutoML)''' — инструменты для автоматического подбора моделей, гиперпараметров и преобразований признаков, позволяющие ускорить разработку скоринговых карт и снизить порог входа для небольших банков.
-. '''Непрерывный мониторинг с использованием онлайн-обучения''' — при большом потоке заявок (например, 10 тыс./день) возможно использование моделей, обновляющихся в реальном времени с использованием стохастического градиентного спуска.
 == Заключение ==
-Анкетный скоринг остаётся фундаментальным инструментом управления кредитным риском. Несмотря на стремительное развитие машинного обучения, на практике доминирует гибридный подход, сочетающий статистическую надёжность логистической регрессии с прогностической силой ансамблевых методов. Главными вызовами на ближайшие годы являются сохранение интерпретируемости при усложнении моделей, адаптация к нестабильной макроэкономической среде и соблюдение регуляторных требований. Дальнейшее развитие скоринга будет связано с интеграцией поведенческих данных на этапе анкетирования, использованием графовых нейросетей для учёта связей между заёмщиками и переходом к непрерывной калибровке моделей в режиме реального времени.
+Критерий Акаике остаётся одним из самых цитируемых инструментов в статистическом моделировании благодаря своей простоте, теоретической прозрачности и универсальности. Несмотря на разработанные позднее альтернативы, AIC сохраняет актуальность в задачах, где приоритетом является предсказательная точность, особенно при умеренных размерах выборки. Современные тенденции — интеграция AIC с методами регуляризации ([[LASSO]], [[ридж-регрессия]]) и использование информационных критериев в глубоком обучении для выбора архитектур — расширяют область его применения.
 == Литература ==
-# Thomas, L.C., Edelman, D.B., & Crook, J.N. (2002). ''Credit Scoring and Its Applications''. SIAM. — Классический учебник по скорингу, охватывающий статистические методы и практику.
+# Akaike, H. (1974). A new look at the statistical model identification. ''IEEE Transactions on Automatic Control'', 19(6), 716–723.
-# Siddiqi, N. (2017). ''Intelligent Credit Scoring: Building and Implementing Better Credit Risk Scorecards''. Wiley. — Подробное руководство по построению скоринговых карт, включая WoE, IV и логистическую регрессию.
+# Burnham, K. P., & Anderson, D. R. (2002). ''Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach''. 2nd ed. Springer.
-# Hastie, T., Tibshirani, R., & Friedman, J. (2009). ''The Elements of Statistical Learning''. Springer. — Главы, посвящённые регуляризации, деревьям и ансамблям.
+# McQuarrie, A. D. R., & Tsai, C.-L. (1998). ''Regression and Time Series Model Selection''. World Scientific.
-# Basel Committee on Banking Supervision (2020). ''Guidelines on credit risk modelling and stress-testing''. BIS. — Основной регуляторный документ.
+# Konishi, S., & Kitagawa, G. (2008). ''Information Criteria and Statistical Modeling''. Springer.
-# Molnar, C. (2022). ''Interpretable Machine Learning: A Guide for Making Black Box Models Explainable''. Leanpub. — Практическое руководство по SHAP, LIME и другим методам интерпретации.
+# Claeskens, G., & Hjort, N. L. (2008). ''Model Selection and Model Averaging''. Cambridge University Press.
-== Полезные ресурсы ==
-* [https://www.fico.com/ Официальный сайт FICO] — кейсы и материалы по скорингу.
-* [https://www.experian.com/blogs/ask-experian/credit-education/ Руководство по скорингу от Experian] — образовательные статьи.
-* [https://scikit-learn.org/stable/modules/calibration.html Библиотека scikit-learn: калибровка и метрики] — реализация на Python.
-* [https://cbr.ru/credit/ Материалы Банка России по скорингу] — нормативные документы и рекомендации.
-* [https://www.kaggle.com/learn/intro-to-machine-learning Открытый курс «Введение в кредитный скоринг» на Kaggle] — практические ноутбуки.
-Полный промпт, использованный при создании этой статьи, доступен на [[Обсуждение:Анкетный скоринг|странице обсуждения]].
-[[Категория:Кредитный скоринг]]
+[[Категория:Статистические критерии]]
-[[Категория:Машинное обучение]]
+[[Категория:Выбор модели]]
-[[Категория:Приложения в экономике]]
+[[Категория:Теория информации]]
-[[Категория:Финансовые технологии]]
-[[Категория:Управление рисками]]