有可能不同feature之间有非线性相互作用？这种情况下，不是简单估计单独feature权重就够的
3 个赞
记得本坛好像有用户在c1做码农的
这里有个insider comment：
2 个赞
这个确实，我们就是简化下，其实会很接近．．．但是我们分析不出来权重．．．
但肯定有人（包括我自己）没有balance没付过利息也被批卡的，所以不是简单的信用历史好就不profitable
3 个赞
我觉得C1没有批准的充分条件，也就是说都是必要不充分条件．
3 个赞
我不做机器学习我不懂瞎说的哈，但感觉有非线性作用的结果会是可能出现“蝴蝶效应”，即微小的input差别会导致output大相径庭，这种情况下咱们人类就很难根据结果反推模型构架了。。。
1 个赞
profitability来看，没有balance不付利息但消费能力强也可以啊，大部分人基本都是挣得多花的就多的那种，一个月刷五千刀给银行带来的刷卡手续费都$100+了。
所以你说的这种情况的人应该消费能力都不错
4 个赞
这个有可能。但从我自身的经历，在申请c1之前大概每月刷卡消费大概2k，不算很少但也不太多。。。
3 个赞
这个回复没法解释为啥C1会经常给信用记录一塌糊涂的人开卡。
开卡模型肯定不是帖主说的那么简单
2 个赞
稍微再多逼逼一句 前东家的高端用户数据量没有那么那么大（大家都知道C1以前的target customer segment是什么） 至少在去年夏天（也就是vx出来前） 模型也一直还在打磨中 所以说如果模型预测的variation有些波动我觉得也很正常 而且我个人认为 business team那边相对来说还是更conservative的 不敢按照模型指挥的aggressive 所以如果觉得是可批可据的比较tricky的用户面貌 他们估计会更宁愿拒掉省事儿 （免责声明：全是道听途说 本人不了解任何具体细节）
6 个赞
这个其实不一定会，取决于这个模型train的怎么样，model是什么，数据量等等.但是有可能会有噪声和误判，这个毋庸置疑．比如model对于特别和极端的数据一般可能不太准确之类的．．．
1 个赞
不同level的卡用的模型不同
这个确实是，ML模型先判断一波，然后交给人来判断，模型说拒或者不确定的就拒了？
1 个赞
这是原帖里我看到过最不可思议的被拒案例：
“780+，$300K, 房贷5000，月花6000，carry on balance 拒了，唉”
1 个赞
你可以理解为biz team对model很强的建议权 对最终推出的policy有决定权 模型只是辅佐policy 如果biz team觉得模型对某些客户群体的判断不可信 会人工干涉调整policy
胡乱举些例（完全没有可信度 只是举例说明便于理解）
1、比如说模型如果建议 650fico 40k收入 两年记录的人 给批的prob是0.58 cl应该给$500 那么biz team可能会让最后policy给这类人直接拒掉
2、如果模型建议 850fico 400k收入 二十年记录的人prob是0.92 cl给批$60000 那么biz那边最后修改的policy可能是给批但cl会降低到$20000
诸如此类的
2 个赞
我觉得这个挺实际的，一般ML模型都这么用．有道理．
3 个赞
信用历史和近期HP,新账户，总账户呢？
1 个赞
能否透露一下，对于Venture X这张卡，business team想找的最理想的用户是怎样的？ 是传统意义上的优质客户（收入高，信用历史长，消费还款能力稳定），还是具有某些其他特质的用户（比如能花钱，能让银行收到利息，etc）
这个估计他不方便说吧
3 个赞
从给出的这些个数字和780的分数，我觉得此人其他条件不会过分的差。
我当年还在还房贷的时候信用分连780都没有
1 个赞