Persetujuan Permohonan Pinjaman – Menuju AI

Persetujuan Permohonan Pinjaman – Menuju AI

Author(s): Supreet Kaur

Awalnya diterbitkan di Menuju AI.

AI tidak hanya dapat mengotomatiskan proses keputusan kredit, tetapi juga membuatnya lebih efisien dan akurat. Algoritme pembelajaran mesin dapat dilatih berdasarkan data pinjaman historis untuk memprediksi kemungkinan pinjaman disetujui atau ditolak; ini dapat membantu penjamin emisi membuat keputusan yang lebih tepat dan menghemat waktu dan sumber daya yang signifikan yang diperlukan oleh proses peninjauan manual.

Selain itu, AI dapat digunakan untuk mengidentifikasi pola dan tren dalam data yang jika tidak akan membutuhkan banyak waktu untuk muncul ke penjamin emisi manusia. Hal ini dapat membantu meningkatkan akurasi proses pengambilan keputusan kredit. Namun, penting untuk diperhatikan bahwa AI hanya sebaik data yang dilatihnya, jadi penting untuk memiliki kumpulan data yang bersih dan beragam untuk mencapai hasil yang akurat.

Blog ini akan mencakup tiga topik yang tercantum di bawah ini:

1. Kumpulan data sintetik untuk aplikasi persetujuan pinjaman

2. Pembelajaran mendalam dan komponennya (seperti jaringan saraf)

3. Bagaimana menggunakan LIME untuk menginterpretasikan model tersebut dan menentukan fitur yang mengarah ke prediksi

Deep Learning dan Komponennya

Untuk tujuan blog ini, saya telah menggunakan kumpulan data sintetis yang ditemukan secara online untuk mendemonstrasikan kasus penggunaan pembelajaran mendalam.

Dataset berisi kolom berikut:

ID Aplikasi: Pengidentifikasi unik aplikasi Gender: Jenis kelamin pelamar Menikah: Status Perkawinan pelamar Tanggungan: Menyatakan apakah pelamar memiliki tanggungan Pendidikan: Menyatakan apakah pelamar lulus atau tidak Wiraswasta: Jika pelamar adalah diri sendiri dipekerjakan atau tidak Riwayat Kredit: Jika pemohon memiliki riwayat kredit sebelumnya Area Properti: Properti yang didiskusikan adalah perkotaan atau pedesaan atau semi-perkotaan Pendapatan: Pendapatan pemohon rendah, sedang atau tinggi Status Aplikasi: Status Aplikasi adalah target variabel dan menandakan apakah aplikasi itu disetujui atau tidak

Demi kesederhanaan, saya belum melakukan pengujian bias keadilan pada atribut gender, meskipun sudah disediakan dalam data. Namun, umumnya disarankan untuk memeriksa distribusi atribut seperti jenis kelamin untuk memeriksa bias dalam data. Tanpa disadari, bias dapat menyusup ke dalam data sumber dan dapat menimbulkan implikasi hukum yang serius.

Apa itu Pembelajaran Mendalam?

Pembelajaran mendalam adalah subbidang pembelajaran mesin yang berupaya mereplikasi kemampuan pengenalan pola otak manusia dengan melatih jaringan saraf tiruan pada kumpulan data besar. Pembelajaran mendalam bertujuan untuk membangun model prediksi yang lebih akurat dan meningkatkan kinerja algoritme pembelajaran mesin. Model pembelajaran mendalam dilatih menggunakan arsitektur jaringan neural dan kumpulan data berlabel.

Apa itu Jaringan Neural?

Jaringan saraf adalah algoritme yang berupaya mensimulasikan cara otak manusia memproses dan mengenali pola dalam data. Mereka terdiri dari unit-unit yang saling berhubungan yang disebut neuron, yang memproses dan mengirimkan informasi.

Diagram di bawah secara akurat menggambarkan arsitektur jaringan saraf sederhana. Ada tiga komponen utama di dalamnya:

Lapisan Input: Lapisan ini menyimpan dan memproses data input. Neuron adalah unit dasar jaringan saraf (yang merupakan lingkaran biru tua di sebelah kiri). Fungsi Aktivasi: Fungsi aktivasi memutuskan apakah input neuron penting dalam proses prediksi. Ada beberapa jenis fungsi aktivasi, seperti sigmoid atau tanh. Bobot: Mereka mengontrol kekuatan koneksi antara dua neuron. Dengan kata lain, bobot menentukan seberapa besar pengaruh input terhadap output.

Saya selanjutnya akan memecah konsep “berat” dengan contoh berikut. Katakanlah Anda sedang mencoba membuat kopi. Minuman kopi standar hanya membutuhkan tiga bahan (kopi, susu, dan gula). Bahan-bahan ini dapat disebut sebagai neuron, karena merupakan titik awal dari proses tersebut. Jumlah masing-masing bahan mewakili berat. Setelah semua bahan dicampur, mereka berubah menjadi keadaan lain. Proses transformasi ini disebut “aktivasi.”

Lapisan Tersembunyi: Lapisan tersembunyi mengambil semua input dari lapisan input dan melakukan semua perhitungan yang diperlukan untuk menghasilkan output. Ini juga disebut “tersembunyi”, karena operasi disembunyikan dari pengguna. Lapisan Keluaran: Perhitungan yang dilakukan di lapisan tersembunyi kemudian dikirim ke lapisan keluaran, di mana pengguna dapat melihat hasil perhitungan.

Apa itu Klasifikasi?

Klasifikasi adalah tugas pembelajaran mesin yang diawasi di mana tujuannya adalah untuk memprediksi label kelas berdasarkan data input. Ada berbagai jenis klasifikasi, termasuk klasifikasi biner, yang melibatkan prediksi salah satu dari dua label kelas (seperti “disetujui” atau “tidak disetujui”). Dalam hal ini, kami akan menggunakan klasifikasi biner untuk menyelesaikan tugas.

Sekarang mari kita lihat contoh langsung tentang cara menyelesaikan ini menggunakan metode klasifikasi aliran tensor.

Sebelum Anda melanjutkan, pastikan aliran tensor diinstal di sistem Anda. Berikut ini tautan yang dapat membantu Anda.

Semoga Anda menikmati blognya!!

Ikuti saya untuk lebih banyak konten seperti itu

Saya juga memposting di LinkedIn jadi ikuti saya untuk tetap update

Terima kasih kepada tim symbl.ai atas semua dukungannya dalam menerbitkan blog ini.

Referensi:

https://www.investopedia.com/terms/n/neuralnetwork.asp https://machinelearningmastery.com/choose-an-activation-function-for-deep-learning/ https://towardsdatascience.com/decrypting-your -model-pembelajaran-mesin-menggunakan-kapur-5adc035109b5

Diterbitkan melalui Menuju AI

Author: Jeffrey Hayes