Název:
Využití vybraných metod strojového učení pro modelování kreditního rizika
Překlad názvu:
Machine Learning Methods for Credit Risk Modelling
Autoři:
Drábek, Matěj ; Witzany, Jiří (vedoucí práce) ; Málek, Jiří (oponent) Typ dokumentu: Diplomové práce
Rok:
2017
Jazyk:
cze
Nakladatel: Vysoká škola ekonomická v Praze
Abstrakt: [cze][eng] Diplomová práce je členěna na tři základní části. V té první se věnuji P2P úvěrování, jeho charakteristikám, základním konceptům a jejich promítnutím v praxi. Srovnávám v ní také P2P trh u nás, ve Velké Británii a v USA. V druhé části této práce popisuji teoretická východiska vybraných metod strojového učení, kterými jsou naivní bayesovský klasifikátor, klasifikační strom, náhodný les a logistická regrese. Také zde popisuji způsoby stanovení úspěšnosti těchto modelů. Ve třetí části pak uvádím postup, kterým se tyto metody převádí do praxe, a to od přípravy dat přes optimalizaci parametrů až po zhodnocení úspěšnosti modelu.This master's thesis is divided into three parts. In the first part I described P2P lending, its characteristics, basic concepts and practical implications. I also compared P2P market in the Czech Republic, UK and USA. The second part consists of theoretical basics for chosen methods of machine learning, which are naive bayes classifier, classification tree, random forest and logistic regression. I also described methods to evaluate the quality of classification models listed above. The third part is a practical one and shows the complete workflow of creating classification model, from data preparation to evaluation of model.
Klíčová slova:
klasifikační strom; logistická regrese; naivní bayesovský klasifikátor; náhodný les; P2P úvěrování; strojové učení pro klasifikaci; classification tree; logistic regression; machine learning for classification; naive bayes classifier; P2P lending; random forest
Instituce: Vysoká škola ekonomická v Praze
(web)
Informace o dostupnosti dokumentu:
Dostupné v digitálním repozitáři VŠE. Původní záznam: http://www.vse.cz/vskp/eid/70842