We use 70% of this reduced data set

We use 70% of this reduced data set to train a logistic regression model that predicts the probability of borrowers defaulting using the following features: loan amount (loan_amnt), monthly installment (installment), annual income (annual_inc), debt-to-income ratio (dti), revolving balance (revol_bal), incidences of delinquency (delinq_2yrs), number of open credit lines (open_acc), number of derogatory public records (pub_rec), upper boundary range of FICO score (fico_range_high), lower boundary range of FICO score (fico_range_low), revolving line utilization rate (revol_util), and months of credit history (cr_hist). The model is used by a system that denies credit to loan applicants with a probability of default above 20%. We then use the system to decide which of the held-out 30% of loans should be approved.

結果 (繁體中文) 1:

我們用這種減少數據的70％設定為培養邏輯回歸模型來預測借款人使用下列功能違約的概率為：貸款金額（loan_amnt），每月分期付款（分期），年收入（annual_inc），債務對收入比（DTI），旋轉平衡（revol_bal），犯罪的發生率（delinq_2yrs），數開放信用額度（open_acc）的貶公共記錄數（pub_rec），FICO評分（fico_range_high）的上邊界的範圍，降低的邊界範圍FICO評分（fico_range_low），轉動線利用率（revol_util），以及信用記錄（cr_hist）個月。該模型是由拒絕信用貸款申請人使用默認的20％以上的概率的系統中使用。然後，我們用制度來決定哪些貸款持有了30％應該得到批准。

結果 (繁體中文) 2:

我們使用減少的資料集的 70% 來訓練邏輯回歸模型，該模型使用以下功能預測借款人違約的可能性：貸款金額（loan_amnt）、每月分期付款（分期付款）、年收入（annual_inc）、債務對收入比率（dti）、迴圈餘額（revol_bal）、拖欠發生率（delinq_2yrs）、開放信貸額度數（open_acc）、貶損公共記錄數（pub_rec）、FICO 分數（fico_range_high）的上邊界範圍、FICO 的下邊界範圍分數 （fico_range_low）、迴圈線利用率 （revol_util） 和信用記錄月 （cr_hist）。該模型由一個系統使用，該系統拒絕向違約概率超過 20% 的貸款申請人提供信貸。然後，我們使用該系統來決定哪些貸款應獲得批准。

結果 (繁體中文) 3:

我們使用這一縮減數据集的70%來訓練一個邏輯回歸模型，該模型使用以下特徵來預測借款人違約的可能性：貸款金額（貸款金額）、每月分期付款（分期付款）、年收入（年收入）、債務與收入比（dti）、迴圈餘額（revol餘額）、拖欠發生率（delinq餘額2年），未結信用額度數量（未結帳戶）、貶損公共記錄數量（公開記錄）、FICO評分上限範圍（FICO評分上限）、FICO評分下限範圍（FICO評分下限）、迴圈額度利用率（revol使用率）和信用記錄月數（歷史記錄）。該模型被一個系統使用，該系統拒絕向違約概率超過20%的貸款申請人提供信貸。然後，我們用這個系統來决定哪些貸款應該被準予。