Przewidywanie ryzyka kredytowego

Przewidywanie ryzyka kredytowego ma kluczowe znaczenie dla instytucji finansowych w celu zminimalizowania ryzyka kredytowego. W niniejszym badaniu zbadano skutecznośc danychtransakcyjnych w przewidywaniu ryzyka kredytowego, por wnując wydajnośc dw ch popularnych algorytm w: regresji logistycznej i sieci neuronowych typu feed-forward. Badanie ma na celu ocenę zdolności predykcyjnych, możliwości interpretacji i praktycznego zastosowania tych modeli w identyfikowaniu potencjalnych niesplaconych kredyt w w oparciu o wzorce transakcyjne. Dane transakcyjne, pozyskane z Kaggle, zostaly poddane rygorystycznemu przetwarzaniu wstępnemu i inżynierii cech dostosowanej do unikalnych cech zapis w transakcji finansowych. Oba modele zostaly intensywnie wytrenowane i ocenione przy użyciu ustalonych wskaźnik w, obejmujących dokladnośc, precyzję, wycofanie, wynik F1, aby kompleksowo ocenic ich skutecznośc w przewidywaniu niesplacenia kredytu. Wyniki wskazują na r żne mocne strony modeli: regresja logistyczna wykazuje godną pochwaly interpretowalnośc przy jednoczesnym osiągnięciu konkurencyjnych wskaźnik w wydajności, podczas gdy siec neuronowa feed-forward wykazuje wyższą dokladnośc predykcyjną, aczkolwiek przy zwiększonej zlożoności i zmniejszonej interpretowalności.