Порівняння методів інтелектуального аналізу даних при оцінюванні кредитоспроможності фізичних осіб - Статья

бесплатно 0
4.5 187
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.

Скачать работу Скачать уникальную работу

Чтобы скачать работу, Вы должны пройти проверку:


Аннотация к работе
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


Новые загруженные работы

Дисциплины научных работ





Хотите, перезвоним вам?