Поиск признаков для антифрода и скоринга

Больше качества из данных, которые у вас уже есть

FeatMiner исследует заявки, транзакции, кредитную историю и поведение клиентов. Находит неожиданные зависимости и отбирает компактный набор признаков для вашей модели.

Посмотреть результат

Модель остаётся вашей Каждый признак объясним Код готов к воспроизведению

Feature search Signal found

Новый предиктор

payment_delay__ews_7d__approved__last

+0.017Δ AUC

Pythonready code

ClickHouseready SQL

1 125кандидатов проверено

7источников данных

0.79714Public Score

≈ top 3%Home Credit leaderboard

Антифрод и скоринг

Ваши данные. Новые сигналы.

Антифрод

Найдите связи, которые не видны в отдельных событиях

Заявки · транзакции · веб-события

Повторные заявки после отказа
Изменения поведения перед транзакцией
Сочетания действий в разных временных окнах

Кредитный скоринг

Извлеките больше сигнала из кредитной истории

БКИ · платежи · история займов

Учащение запросов перед новой заявкой
Рост нагрузки за короткий период
Изменение платёжной дисциплины

Применим и к другим задачам на табличных и событийных данных.

Не новая модель. Новый сигнал.

Модель уже работает. Но данные могут дать больше.

FeatMiner подключается к существующему исследовательскому процессу: анализирует дополнительную информацию, проверяет гипотезы и оставляет признаки, которые действительно дополняют baseline.

Передайте контекст

Сырые таблицы, target, ключ объекта, категории, временные оси и текущие признаки модели.

Исследуйте пространство

FeatMiner строит и проверяет условные агрегаты, динамику, временные окна, разности и отношения.

Добавьте найденное

Получите компактный набор признаков с метриками, формулами и кодом для текущего pipeline.

Проверено на Kaggle

Результат уровня top 3%

Home Credit Default Risk: одна LightGBM-модель, 774 baseline-признака и один новый предиктор FeatMiner. Без blending и stacking.

Методология эксперимента →

Home Credit Default Risk Late submission · 2026

Private Score0.79640

Public Score0.79714

775признаков в финальной модели

307 511строк для обучения

237.9 секобучение финальной модели

Late submission не является официально зафиксированным местом. Score соответствует приблизительно 200-й позиции и top 3% исторического leaderboard из 7000+ участников.

feature = Last(
    Ews(
        difference=(
            DAYS_INSTALMENT,
            DAYS_ENTRY_PAYMENT,
        ),
        half_life="7d",
        where=NUM_INSTALMENT_VERSION == 1,
    ),
    where=NAME_CONTRACT_STATUS == "Approved",
)

Результат остаётся у команды

Не скрытое представление, а готовый признак

Понятная формула

Видно, какие данные, условия, временные горизонты и операции использованы.

Оценка полезности

AUC, пропуски, стабильность и корреляция помогают проверить новый сигнал.

Воспроизводимый Python-код

Логику можно проверить, изменить и встроить в существующий production pipeline.

Почему FeatMiner

Отличия от альтернатив

Другие библиотеки и FeatMiner: поиск и результат. Тёмно-синие ветви исследованы, светло-серые — не исследованы. В итоговых наборах серые квадраты обозначают бесполезные признаки, бирюзовые — полезные. FeatMiner показывает более широкий охват поиска и большую долю полезных признаков. — Листайте схему по горизонтали, чтобы увидеть сравнение целиком.

Классические библиотеки признаков

Массовая генерация вместо осмысленного поиска

LLM и агенты

Правдоподобные гипотезы вместо проверки на данных

FeatMiner

Неожиданные связи через статистический поиск

Найдите новый сигнал для антифрода или скоринга

Начните с вашей модели и одной истории событий. Оцените найденные признаки на своей целевой метрике.