如何解决使用神经网络从Logistic Regression中估计概率残差以提高Logistic Regression性能是否可行
现在我在fintech领域做信用违约预测，是一个二元分类任务，因为模型的可解释性是必须的，所以不能直接用black Box-like:ANN。
有过这样的想法，不知道可不可行，希望大家给点建议。
逻辑回归是信用评分中经典的二元分类算法，我们可以从sigmoid函数中得到概率，但是概率和标签中存在一些残差，比如label:{0 for non-default,1 for default}，如果逻辑回归输出概率为0.7，其标签为1 ，则残差为1-0.7=0.3，意味着原始概率(0.7)加上残差(0.3)可以得到更多接近1得到真正的标签。然后我使用神经网络来拟合LogReg概率和真实标签之间的残差，以提高Logistic回归的性能。
所以predict_proba = log_reg_proba + residual_estimate_from_nn;
可行吗？
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
