DSpace JSPUI
DSpace зберігає і дозволяє легкий і відкритий доступ до всіх видів цифрового контенту, включаючи текст, зображення, анімовані зображення, MPEG і набори даних
Дізнатися більше
Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://ir.nmu.org.ua/handle/123456789/156856| Назва: | Використання методів інтелектуального аналізу даних для підвищення точності класифікації споживачів кредитів |
| Інші назви: | ПОЯСНЮВАЛЬНА ЗАПИСКА кваліфікаційної роботи магістра студентки групи 124м–19 М’ясоїд Тетяни Олексіївни спеціальності 124 Системний аналіз |
| Автори: | М’ясоїд, Тетяна |
| Ключові слова: | кредитоспроможність;дерево класифікації;машинне навчання;PYTHON;XGBOOST |
| Дата публікації: | 2020 |
| Короткий огляд (реферат): | Об’єкт дослідження: анкетні дані споживачів кредитів для задачі кредитного скорингу. Мета дослідження: дослідження якості класифікації позичальників в задачі кредитного скорингу за допомогою моделі алгоритму машинного навчання XGBoost. Практична цінність роботи полягає у розробці детального алгоритму препроцесінгу даних, побудові релевантної моделі алгоритму машинного навчання XGBoost та дослідженні її на адекватність для ефективного прогнозу кредитоспроможності позичальників з метою зниження ризиків для банківської установи при видачі кредиту. |
| Опис: | Предмет дослідження: алгоритм машинного навчання XGBoost, заснований на дереві пошуку рішень, який використовує фреймворк градіентного бустинга. Мета дослідження: дослідження якості класифікації позичальників в задачі кредитного скорингу за допомогою моделі алгоритму машинного навчання XGBoost. Методи дослідження та апаратура: методи інтелектуального аналізу та класифікації даних, мова програмування Python. Економічний ефект від реалізації результатів дослідження очікується позитивним за рахунок використання суб’єктами господарювання алгоритму препроцесінгу даних та побудови релевантної моделі алгоритму машинного навчання XGBoost для оптимізації їх діяльності. В інформаційно-аналітичному розділі наведено визначення кредитного скорингу, описано основні алгоритми для вирішення задачі кредитного скорингу, проведено аналіз об’єкту дослідження, розглянуто послідовність препроцесінгу даних та методів вибору оптимального набору інформативних ознак. Описано можливості мови програмування Python для інтелектуального аналізу даних. У спеціальному розділі виконано аналіз та підготовку вихідних даних, створено модель алгоритму XGBoost та відібрано найбільш інформативні ознаки, проведено аналіз параметрів моделі та відібрано ті, що максимально покращують результати прогнозу; представлено результати розв’язку задачі кредитного скорингу. |
| URI (Уніфікований ідентифікатор ресурсу): | http://ir.nmu.org.ua/handle/123456789/156856 |
| Розташовується у зібраннях: | 2020-2021 навчальний рік |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| Диплом_МясоедТ_спец124.pdf | 493,32 kB | Adobe PDF |  Переглянути/Відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.