Лінійна ймовірнісна модель – множинна регресія, призначення якої полягає у аналізі зв"язку між декількома незалежними показниками і залежною змінною. Скорингова модель у вигляді байєсівській мережі, що побудована за ітераційним евристичним методом.
При низкой оригинальности работы "Порівняння методів інтелектуального аналізу даних при оцінюванні кредитоспроможності фізичних осіб", Вы можете повысить уникальность этой работы до 80-100%
Побудувати скорингові моделі оцінювання кредитоспроможності фізичних осіб з використанням найбільш відомих сучасних методів інтелектуального аналізу даних (ІАД) - кластерного аналізу, дерев рішень, штучних нейронних мереж (ШНМ), регресійних моделей дискретного вибору та байєсівських мереж (БМ). Навчальна вибірка даних утворена з 3247 записів про клієнтів; для визначення якості прогнозування використано 100 записів, які не використовувались при побудові скорингової моделі. В якості змінних процесу обрані десять атрибутів: 1 - стать; 2 - вік; 3 - сімейний стан; 4 - кількість дітей; 5 - чоловік (дружина) працює; 6 - освіта; 7 - тип трудозайнятості; 8 - поручитель; 9 - сума кредиту; 10 - результат (кредитоспроможний або ні). 1 наведена скорингова система у вигляді дерева рішень, побудованого за методом CHAID, задачею якої є отримання відповіді на запитання: “Чи видавати кредит?”. Для розвязання задачі побудови скорингових моделей використано 49 методів кластерного аналізу: - ієрархічні: 1 - звязку між групами; 2 - звязку всередині груп; 3 - ближнього сусіда; 4 - віддалених сусідів; 5 - зважений центроїдний; 6 - медіан; 7 - варда.
Список литературы
скоринговий регресія ітераційний
1. Hunt E.B., Marin J., Stone P. Experiments in Induction by E.B. // The American Journal of Psychology. - N.Y.: Academic Press, 1966. - Vol. 80, № 4. - P. 651-653.
2. Кривова О.А., Коваленко А.С. Применение кластерного анализа для выявления соотношений индикаторов демографического развития // Кибернетика и вычислительная техника. - К.: Академпериодика, 2007. - 153. - С. 24-39.
3. Хайкин С. Нейронные сети: Полный курс. - М.: Издательский дом Вильямс, 2008. - 1103 с.
4. Riedmiller, M., Braun, H. A direct adaptive method for faster back propagation learning: the RPROP algorithm / IEEE International conference on image processing, Chicago, Illinois, USA, 3-6 May, 1993. - 1. - P. 586-591.
5. Terentyev A.N., Bidyuk P.I., Korshevnyuk L.A. Bayesian network as instrument of intelligent data analysis // Journal of automation and information sciences. - NY.: Begell House Inc, 2007. - 39. - P. 28-38.
Размещено на .ru
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
