1. Institutional repository Dnipro University of Technology
  2. Кваліфікаційні роботи
  3. Факультет інформаційних технологій
  4. Кафедра системного аналізу та управління
  5. Магістри
  6. 2020-2021 навчальний рік
Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://ir.nmu.org.ua/handle/123456789/156856
Повний запис метаданих
Поле DCЗначенняМова
dc.contributor.authorМ’ясоїд, Тетяна-
dc.date.accessioned2020-12-26T07:29:33Z-
dc.date.available2020-12-26T07:29:33Z-
dc.date.issued2020-
dc.identifier.urihttp://ir.nmu.org.ua/handle/123456789/156856-
dc.descriptionПредмет 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.ru_RU
dc.description.abstractОб’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.ru_RU
dc.language.isoukru_RU
dc.subjectкредитоспроможністьru_RU
dc.subjectдерево класифікаціїru_RU
dc.subjectмашинне навчанняru_RU
dc.subjectPYTHONru_RU
dc.subjectXGBOOSTru_RU
dc.titleВикористання методів інтелектуального аналізу даних для підвищення точності класифікації споживачів кредитівru_RU
dc.title.alternativeПОЯСНЮВАЛЬНА ЗАПИСКА кваліфікаційної роботи магістра студентки групи 124м–19 М’ясоїд Тетяни Олексіївни спеціальності 124 Системний аналізru_RU
dc.typeLearning Objectru_RU
Розташовується у зібраннях:2020-2021 навчальний рік

Файли цього матеріалу:
Файл Опис РозмірФормат 
Диплом_МясоедТ_спец124.pdf493,32 kBAdobe PDFЕскіз
Переглянути/Відкрити
Показати базовий опис матеріалу Перегляд статистики


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.