Предсказание выхода в дефолт по данным карточных транзакций
deep learningneural networkscard transactions
Кредитный скоринг - классическая банковская задача, с которой многие из вас уже сталкивались в различных курсах и туториалах. Традиционными подходами к решению данной задачи являются логистическая регрессия и градиентный бустинг. К сожалению, данные подходы связаны с необходимостью тщательной генерации признаков, в результате чего большая часть информации безвозвратно теряется при построении всевозможных агрегатов. Альтернатива классическим методам - использование подходов, позволяющих учитывать последовательную структуру данных и не создавать агрегаты, к таким подходам относятся рекуррентные нейронные сети и трансформеры. Участникам соревнования предлагается на основе полученных в треке знаний попробовать свои силы и поучаствовать в соревновании на последовательных данных, состоящих из карточных транзакций. Для соревнования мы подготовили большой датасет, состоящий из транзакционной истории клиентов банка. Каждая такая транзакция содержит информацию о сумме покупки, месте, дате, mcc-категории, валюте и признаки от платежной системы. Обучающая выборка собрана за N дней, тестовая выборка за последующие K дней.
Позиция на лидерборде зависит от качества предсказания дефолта по кредитным заявкам. Метрика соревнования - AUC ROC.
Для удобства участников нами был подготовлен набор пакетных методов предобработки данных, чтобы объем данных не стал препятствием для участия пользователей с небольшим количеством доступных вычислительных ресурсов.
Первые три команды получат приз - фирменный мерч Альфа-Банка
Cookies help us deliver our services. By using our services, you agree to our use of cookies.