Case 3. When a tree is convenient in a real product

Implementation with RubixML

Below is the runnable code: we build a Labeled dataset, train a ClassificationTree, and predict a decision for a new applicant. Then we generate a short explanation based on simple business rules (DTI, late payments, credit history length, etc.).

Example of use


                
<?php

use Rubix\ML\Classifiers\ClassificationTree;
use Rubix\ML\Datasets\Labeled;
use Rubix\ML\Datasets\Unlabeled;

mt_srand(42);
srand(42);

$samples = [
    // income, loan, dti, history, late, cards, age, job, home
    [5000, 10000, 0.2, 5, 0, 2, 35, 5, 1],
    [3000, 15000, 0.6, 2, 3, 4, 28, 2, 0],
    [8000, 20000, 0.25, 8, 0, 3, 45, 10, 1],
    [2500, 5000, 0.5, 1, 2, 1, 23, 1, 0],
    [6000, 12000, 0.3, 6, 1, 2, 38, 7, 1],
    [4000, 18000, 0.7, 3, 4, 5, 30, 3, 0],
    [7000, 9000, 0.18, 9, 0, 2, 41, 9, 1],
    [3200, 11000, 0.55, 2, 1, 3, 29, 2, 0],
    [5200, 16000, 0.42, 4, 2, 2, 36, 6, 1],
    [2800, 14000, 0.65, 2, 3, 4, 26, 2, 0],
    [9000, 25000, 0.33, 10, 0, 4, 48, 12, 1],
    [4200, 8000, 0.38, 4, 0, 1, 33, 4, 0],
    [3500, 22000, 0.75, 3, 5, 5, 31, 3, 0],
    [6500, 15000, 0.28, 7, 1, 2, 39, 8, 1],
    [2700, 6000, 0.49, 1, 2, 1, 24, 1, 0],
    [5600, 13000, 0.31, 6, 1, 2, 37, 7, 1],
    [3800, 17000, 0.68, 3, 4, 4, 30, 3, 0],
    [4800, 9000, 0.22, 5, 0, 1, 27, 6, 1],
    [7500, 14000, 0.62, 4, 4, 3, 44, 9, 1],
    [2900, 7000, 0.28, 6, 0, 2, 25, 2, 0],
    [6200, 10000, 0.58, 2, 3, 4, 34, 5, 1],
];

$labels = [
    'approve',
    'reject',
    'approve',
    'reject',
    'approve',
    'reject',
    'approve',
    'reject',
    'approve',
    'reject',
    'approve',
    'approve',
    'reject',
    'approve',
    'reject',
    'approve',
    'reject',
    'approve',
    'reject',
    'approve',
    'reject',
];

$dataset = new Labeled($samples, $labels);

$tree = new ClassificationTree(
    maxHeight: 10,
    maxLeafSize: 2
);

$tree->train($dataset);

$applicant = [
    4500,   // income
    12000,  // loan
    0.35,   // dti
    4,      // history
    1,      // late payments
    2,      // cards
    32,     // age
    4,      // job years
    1,      // owns home
];

$dataset = new Unlabeled([$applicant]);

$prediction = $tree->predict($dataset);

function explainDecision(array $input): string {
    [
        $income,
        $loan,
        $dti,
        $history,
        $late,
        $cards,
        $age,
        $job,
        $home,
    ] = $input;

    $reasons = [];

    if ($dti > 0.5) {
        $reasons[] = 'высокая долговая нагрузка';
    }

    if ($late > 2) {
        $reasons[] = 'частые просрочки';
    }

    if ($history < 2) {
        $reasons[] = 'короткая кредитная история';
    }

    if (empty($reasons)) {
        return 'стабильный профиль заемщика';
    }

    return implode(', ', $reasons);
}

$result = [
    'decision' => $prediction[0],
    'explanation' => explainDecision($applicant),
];

echo "Decision: \n";
echo print_r($result, 1);

Graph:

Decision Tree

Result: Memory: 0.476 Mb Time running: 0.009 sec.


                sample: [
    4500,   // income
    12000,  // loan
    0.35,   // dti
    4,      // history
    1,      // late payments
    2,      // cards
    32,     // age
    4,      // job years
    1       // owns home
]

Decision: 
Array
(
    [decision] => approve
    [explanation] => стабильный профиль заемщика
)

The output consists of two parts: the tree prediction (approve/reject) and a human-readable explanation. In real products, it is often important to show not only the model decision but also a clear reason why the application looks risky.