拒绝推断（Reject Inference，RI）是一种在金融风控中常用的技术，主要用于弥补样本选择偏差，提高信用评估模型的准确性和可靠性。拒绝推断的核心思想是利用已知的接受客户（通过审批的客户）信息来推断被拒绝客户（未通过审批的客户）的风险特征，从而更全面地评估信贷风险。
算法说明
以信贷场景为例，用评分卡模型对用户的偿还、违约情况进行建模时只用到了被放贷的用户数据，而缺少未得到贷款的用户数据，导致模型对全量数据的风险估计不准确，往往过于乐观。拒绝推断可以解决此类样本偏差问题。
拒绝推断方法需要根据输入的包含真实标签和预测结果的训练数据（又称为授信数据），给缺少真实标签但包含预测结果的数据加上合适的标签，没有真实标签的数据又称为拒绝数据。该算法提供以下四种拒绝推断方法。
模糊法
模糊法（fuzzy）通过给拒绝样本加上正例和负例两种标签的方法增强数据集，每种标签对应的样本权重计算公式如下：
是前置评分卡组件预测的正例概率值，您可以指定
和
参数：
：给出全部数据的拒绝率。
：拒绝样本的负例概率，相比接受样本的负例概率增加到
倍。
硬截断法
硬截断法（hard cutoff）需要您基于前置评分卡模型的打分，根据对拒绝用户的风险容忍度来设定一个阈值分数。对低于这个阈值的添加负样本标签；对高于这个阈值的添加正样本标签。
分配法
分配法 （parcelling）对接受样本基于前置评分卡模型的预测结果进行分组，计算各分组的违约率。然后对拒绝样本进行同样的分组，以该组违约率为抽样比例，随机抽取该分组下的违约样本，指定其为负样本，剩下的则是正样本。
两阶段法
两阶段法 （Two-Stage）除了需要前置评分卡模型的预测分值（AcceptRejectScore），还需要一个前置模型预测样本被接受或拒绝的概率（GoodBadScore），两阶段法通过拟合AcceptRejectScore和GoodBadScore的线性关系，修正前置评分卡模型对无标签样本的预测结果，然后按照分配法的步骤为样本添加标签。
输入/输出
输入桩
输出桩
配置组件
参数类型 | 参数 | 是否必选 | 描述 | 默认值 |
字段设置 | 履约/违约预测结果列 | 是 | 评分卡组件的预测结果列。一般是在授信数据集上以样本的好坏情况作为标签，用同一个评分卡模型训练、预测后prediction_score列的输出结果。 | 无 |
授信数据的真实标签列 | 是 | 授信数据的真实标签列的列名。 真实标签的类别必须为0和1，其中1代表正样本或好样本。 | 无 | |
样本权重列 | 否 | 样本权重列的列名。 | 无 | |
授信/拒绝预测结果列 | 否 | 预测的样本接受概率，一般是在全量数据上以接受或拒绝作为标签，用同一个评分卡或线性模型训练、预测后的输出结果。 拒绝推断方法选择Two-Stage方法时，需要配置该字段。 | 无 | |
参数设置 | 拒绝推断方法 | 否 | 拒绝推断使用的方法，取值如下，具体含义请参见算法原理介绍。
| fuzzy模糊法 |
拒绝样本的比例 | 是 | 拒绝率，代表在真实环境里一个样本被拒绝的概率。 | 0.3 | |
分桶数量 | 否 | 仅拒绝推断方法选择parceling分配法和two stage两阶段法时，支持配置该参数。 训练分箱模型步骤的分箱个数。 | 25 | |
截断分值 | 否 | 仅拒绝推断方法选择hard-cutoff硬截断法时，支持配置该参数。 截断阈值。使用截断法时，大于等于截断分值的样本被预测为正样本，其余为负样本。 | 无 | |
坏样本比例增长系数 | 否 | 仅拒绝推断方法选择fuzzy模糊法、parceling分配法或two stage两阶段法时支持配置该参数。
| 1.0 | |
随机数种子 | 否 | 仅拒绝推断方法选择parceling分配法时支持配置该参数。 随机指定标签时使用的随机数种子。 | 0 | |
区间选择方法 | 否 | 仅拒绝推断方法选择parceling分配法和two stage两阶段法时支持配置该参数。 有以下三种分箱区间选择方法
| 全量数据集 | |
分数转换 | 否 | 选中分数转换，支持配置scaledValue、odds和pdo，关于参数配置方法，详情请参见评分卡训练。 | false | |
scaledValue | 否 | 无 | ||
odds | 否 | 无 | ||
pdo | 否 | 无 | ||
执行调优 | 底层作业使用的计算资源 | 是 | 执行作业的资源类型。 | MaxCompute |
节点个数 | 否 | 执行作业的节点数，正整数，取值范围为[1,9999]。 | 无 | |
单个节点内存大小 | 否 | 节点所使用的内存数，单位为MB，取值范围为[1024,64*1024]。 | 无 |
参数。