Vous avez étiqueté les décisions et les défauts de prêt historiques et devez créer un modèle pour prédire le risque de défaut du demandeur. Que devriez-vous faire ?

Pour prédire le risque de défaut, un modèle de régression linéaire est approprié car il peut produire un score de risque continu, ce qui est utile pour classer les demandeurs. Les données étiquetées (décisions de prêt et défauts) sont parfaites pour l'apprentissage supervisé. Augmenter la taille de l'ensemble de données est une bonne pratique générale, mais ce n'est pas la première étape pour construire le modèle. Supprimer le biais est important, mais la collecte de demandes refusées est complexe et ne résout pas directement la tâche de modélisation initiale. Faire correspondre les profils sociaux soulève des problèmes de confidentialité et d'éthique, et n'est pas une étape standard ou recommandée pour l'ingénierie des fonctionnalités dans ce contexte.