Skip navigation
Please use this identifier to cite or link to this item: https://libeldoc.bsuir.by/handle/123456789/43836
Title: Методы оценки кредитных рисков
Other Titles: Methods for credit risks assessment
Authors: Шичков, Д. В.
Фролов, И. И.
Keywords: материалы конференций;кредитный скоринг;кредитные риски;логистическая регрессия;метод опорных векторов;градиентный спуск;рандомизированные деревья;credit scoring;credit risks;logistic regression;support vector machine;gradient descent;randomized trees
Issue Date: 2021
Publisher: БГУИР
Citation: Шичков, Д. В. Создание виртуального круглого стола для образного интернета / Д. В. Шичков, И. И. Фролов // BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня: VII Международная научно-практическая конференция [Электронный ресурс] : сборник материалов VII Международной научно-практической конференции, Минск, 19-20 мая 2021 года / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. А. Богуш [и др.]. – Минск, 2021. – С. 35–44. – Режим доступа : http://bigdataminsk.bsuir.by/files/2021_materialy.pdf.
Abstract: В данной работе исследуются классификаторы машинного обучения с учителем для прогнозирования результатов кредитования. Учитывая большое количество алгоритмов, анализ начинается с простых методов, таких как логистическая регрессия, с постепенным увеличением сложности модели до методов рандомизированных деревьев. Далее сравнивается производительность каждой модели и обсуждается наиболее подходящее для этой задачи кредитования решение классификации. Исследованы и построены следующие модели: логистическая регрессия; стохастический градиентный спуск; метод опорных векторов; градиентный спуск; рандомизированные деревья.
Alternative abstract: This article explores supervised machine learning classifiers to predict lending outcomes. Given the large number of algorithms, the analysis starts with simple methods such as logistic regression, gradually increasing the complexity of the model to methods of randomized trees. Next, the performance of each model is compared and the classification solution most suitable for this lending problem is discussed. The following models were investigated and built: logistic regression; stochastic gradient descent; support vector machine; gradient descent; randomized trees.
URI: https://libeldoc.bsuir.by/handle/123456789/43836
Appears in Collections:BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : материалы конференции (2021)

Files in This Item:
File Description SizeFormat 
Shichkov_Metody.pdf1.34 MBAdobe PDFView/Open
Show full item record Google Scholar

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.