【要約】否決された人はどこへ行ったのか：リジェクト推論とrejectkit [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
信用リスクモデルの構築者は、承認された顧客のデータのみで学習を行うため、標本選択バイアスに直面する。承認者のみのデータは、本来の申込者全体の分布から大きく偏っているためだ。
- ・承認者のみのデータは、母集団の分布から偏っている。
- ・否決された顧客の結果（貸し倒れ等）は観測できない。
- ・Python環境において、これらを扱う標準的なライブラリが不足している。
// Approach
著者は、古典的なリジェクト推論手法を統合し、その有効性を評価できるライブラリ『rejectkit』を開発した。手法の有効性を事前に検証できる仕組みを組み込んでいる。
- ・8つの手法をscikit-learn互換のAPIで提供。
- ・Augmentation系、Reweighting系、半教師あり学習を網羅。
- ・Masked Reject Benchmarkにより、隠した正解の復元力を測定する。
// Result
開発されたライブラリは、実データにおいてモデルの精度向上に寄与することを示した。手法の有効性を定量的に評価できる環境を提供している。
- ・Kaggleデータで、AUC 0.568から0.58台へ回復。
- ・MNAR条件下では手法が有害になり得るリスクを明示した。
- ・「手法を信じるのではなく、まず測る」という実務指針を提示した。
Senior Engineer Insight
> 信用リスク等のバイアスが致命的な領域において、非常に実戦的なツールである。単なる手法の提供に留まらず、手法の「有害性」を検知するベンチマーク機能を備えている点が極めて優秀だ。実務では、補正がモデルを破壊するリスクを常に考慮すべきである。導入時は、まず既存データでMasked Benchmarkを実行し、投資対効果を定量化するフローを組み込むべきだ。