Kreditní skóring pomocí metod skupinového strojového učení

Název práce: Credit Scoring Using Ensemble Machine Learning Methods
Autor(ka) práce: Helcl, Jan
Typ práce: Diploma thesis
Vedoucí práce: Witzany, Jiří
Oponenti práce: Juhászová, Jana
Jazyk práce: English
Abstrakt:
The aim of this thesis is to examine the performance of selected decision tree-based ensemble machine learning models and to assess their applicability in credit scoring. In the first part, general principles behind supervised machine learning were introduced. Selected ensemble models were then explained in detail, special focus was placed on decision trees, the building blocks of these models. The standard approach to credit scoring function development was introduced and used to develop a benchmark model. In last section, the ensemble models were trained in several different ways. Their out-of-sample performance was measured and compared to that of the benchmark.
Klíčová slova: ensemble machine learning; credit scoring; random forest; extremely randomized trees; AdaBoost; gradient boosting; logistic regression
Název práce: Kreditní skóring pomocí metod skupinového strojového učení
Autor(ka) práce: Helcl, Jan
Typ práce: Diplomová práce
Vedoucí práce: Witzany, Jiří
Oponenti práce: Juhászová, Jana
Jazyk práce: English
Abstrakt:
Cílem této práce je zhodnotit prediktivní sílu zvolených metod skupinového strojového učení založeného na rozhodovacích stromech a posoudit aplikovatelnost těchto modelů v kreditním skóringu. V první části byly vysvětleny základní principy strojového učení s učitelem. Zvolené metody skupinového strojového učení byly poté detailně popsány, zvláštní důraz byl kladen na popis rozhodovacích stromů jakožto základních stavebních prvků daných modelů. Standardní přístup ke kreditnímu skóringu byl popsán a použit pro vývoj referenčního modelu. Skupinové modely byly vyvinuty několika způsoby a jejich predikční síla byla porovnána s referenčním modelem.
Klíčová slova: skupinové strojové učení; kreditní skóring; náhodný les; extrémně náhodné stromy; AdaBoost; logistická regrese; gradient boosting

Informace o studiu

Studijní program / obor: Finance a účetnictví/Finanční inženýrství
Typ studijního programu: Magisterský studijní program
Přidělovaná hodnost: Ing.
Instituce přidělující hodnost: Vysoká škola ekonomická v Praze
Fakulta: Fakulta financí a účetnictví
Katedra: Katedra bankovnictví a pojišťovnictví

Informace o odevzdání a obhajobě

Datum zadání práce: 15. 2. 2018
Datum podání práce: 16. 8. 2018
Datum obhajoby: 11. 9. 2018
Identifikátor v systému InSIS: https://insis.vse.cz/zp/64834/podrobnosti

Soubory ke stažení

    Poslední aktualizace: