MIO-Optimierung steigert AUC von Scoring-Systemen

Ein neues arXiv‑Veröffentlichung (2601.05544v1) präsentiert einen innovativen Ansatz zur Entwicklung von Scoring‑Systemen, die nicht nur interpretierbar, sondern auch leistungsstark sind. Durch die Kombination von Mixed‑Integer‑Optimization (MIO) mit einer speziellen Zielgröße – dem buffered AUC (bAUC) – wird die Klassifikationsgenauigkeit direkt maximiert, anstatt auf indirekte Verfahren zurückzugreifen.

Der vorgeschlagene Mixed‑Integer‑Linear‑Optimization‑Ansatz (MILO) nutzt eine Gruppensparsity‑Beschränkung, um die Anzahl der Variablen im Scoring‑System zu begrenzen. Dadurch bleibt das Modell übersichtlich und handhabbar, während gleichzeitig die höchste mögliche AUC erreicht wird. Die Methode wurde auf mehreren realen Datensätzen getestet und zeigte deutlich bessere AUC‑Werte als herkömmliche Regularisierungs‑ und schrittweise Regressionsverfahren.

Diese Forschung erweitert die Anwendungsreichweite von MIO-Techniken und liefert einen praktischen Rahmen für die Erstellung hochinterpretable Klassifikationsmodelle, die gleichzeitig die wichtigsten Leistungsmetriken optimieren.