|
|
The future of credit scoring modelling using advanced techniques
Čermáková, Jolana ; Krištoufek, Ladislav (vedoucí práce) ; Geršl, Adam (oponent)
Machine learning, neboli strojové učení, se stává součástí každodenního života a má nepopiratelný vliv na celou řadu odvětví. Ve finančním odvětví tento dopad spočívá zejména v prediktivním modelování. Cílem této práce je popsat základní principy umělé inteligence, především její podmnožiny, strojového učení. Nejpoužívanější techniky strojového učení jsou v této práci nastíněny teoretickou i praktickou cestou. V rámci práce byly sestaveny čtyři praktické modely. Byly diskutovány výsledky a limitace každého z modelů a zároveň byly modely mezi sebou vzájemně porovnány na základě jejich indi- viduálních výkonů. Modelování bylo provedeno na reálných datech, poskyt- nutých společností Home Credit. Výsledný výkon metod, založených na strojovém učení a měřený pomocí metrik KS a GINI, byl bud' velmi srovn- atelný, nebo dokonce horší než výkon tradičně používané logistické regrese. Přesto mohl tento výsledek spočívat například v nedostatečném datovém souboru, v nesprávné přípravě dat, nebo v nevhodně použitých algoritmech, tedy ne nutně v samotných modelech.
|
host ::
RSS.