Credit Scoring: Одинокое дерево, целый лес и разочарование в нейросетях

Дата публикации: 28-07-2026 18:42:02

В этой статье я расскажу, как решающее дерево, случайный лес, бустинг и даже многослойная нейросеть упираются в один и тот же потолок на данных кредитного скоринга. Ход экспериментаВ качестве датасета были взяты данные кредитного скоринга с https://www.kaggle.com/competitions/GiveMeSomeCredit. Сначала мы обучили решающее дерево, с кросс-валидацией.  График зависимости roc-auc от количества элементов выборки (Ореол вокруг кривой – это дисперсия (разброс) при кроссвалидации):

Схожие новости

#	Наименование новости	Тональность	Информативность	Дата публикации
1	Базовые нейросетевые модели для кредитного скоринга физических лиц	0	8.62	20-06-2026
2	Разбираемся в ML без воды: от базы до Attention. Часть 9: Дерево решений	0	8.15	08-06-2026
3	Pipeline в машинном обучении: как создавать сложные модели без боли и утечек данных	0	7.77	07-06-2026
4	Масштабируемость ML-алгоритмов при увеличении вычислительных ресурсов	0	17.69	04-06-2026
5	Отказ от ответа в табличной классификации: max-prob, entropy и conformal sets на CatBoost	0	10.81	09-03-2026
6	predict_proba выдаёт 0.9 — но это не вероятность 90%	0	12.82	02-06-2026
7	Откуда в обучении берётся nan: численная нестабильность в ML и почему всё считают в логарифмах	0	6.4	11-06-2026
8	Компрессор для данных или как я написал свой первый custom transformer	0	10.9	27-01-2026
9	"Российская газета": россияне в 2019 году получат персональные кредитные рейтинги	0	0	27-08-2018
10	LLM-судье нельзя верить на слово: как построить надёжный гейт и проверить сами тесты	0	12.53	28-07-2026

Классификация: Мнения. Схожих патентов: 0. Схожих новостей: 10. Тональность: 0. Информативность: 8.69. Источник: pythondigest.ru.