将一个标签与一个信息合并，以解决分类问题或多标签分类。

Question

我想建立一个模型，以支持决策，以便提出或不向客户提供贷款保险。因为有时要求贷款和贷款保险的客户被银行接受贷款的机会较少，有时更有机会。

问题中有三个因素:银行、贷款申请人(要求贷款的人)和顾问。顾问研究贷款申请，如果有一个良好的档案，它将建议他从银行贷款，以符合他的概况。然后，申请被发送到银行，但银行可以拒绝申请人(根据我们不知道的标准)。

顾问还必须决定是否向贷款申请人提出贷款保险。我想为这个决定建立一个模型。

风险在于，一些银行拒绝接受贷款保险的贷款申请人，而另一些银行则接受更多的贷款保险申请人。但是没有关于银行的规定，因为一些银行根据申请人的个人资料和收购类型，接受或拒绝贷款保险申请人。

因此，申请人和他申请的银行的概况可能会影响他们被银行拒绝，但所有影响决定的标准都是相当不确定的。

尽管这是一个分类问题，但在我的数据集中，对于贷款保险方案，我没有一个很好的标签。我有一个特点是，如果保险是提议的或没有，并且低于1%的保险是提议的。我有一个标签，上面写着客户的贷款申请是否被接受。

因此，我所掌握的数据是前申请人的个人资料--以及根据申请人的要求提出贷款的银行--以及他们是否被银行接受，以及他们是否想要贷款保险。

我想把标签和信息结合起来，但我不知道如何或可能进行多标签分类，但我也不知道它是否适合这个问题。

Answer 1

听起来这个问题可以用商业规则来解决--让一位专家写下谁在什么情况下应该做出什么样的选择。

不是所有的问题都可以通过机器学习来解决。