| Popis: |
Дипломна робота: 111 ст., 52 рис, 9 табл., 2 дод., 30 джерел. Об’єкт дослідження - набір статистичних даних щодо наданих банком споживчих кредитів фізичним особам. Предмет дослідження: застосування алгоритмів машинного навчання до задач, що мають місце в рамках кредитного скорингу. Мета даної роботи полягає у дослідженні та вдосконаленні існуючих методик побудови скорингових моделей та розробці системи підтримки прийняття рішень для оцінювання кредитоспроможності фізичних осіб з використанням машинного навчання. У роботі розглядається процес аналітичного прогнозування результату кредитів на основі методів машинного навчання. Наведено огляд сучасних моделей машинного навчання і методику іх побудови, процес підготовки даних і огляд даних щодо кредитних випадків і побудова моделей на основі цих даних. Було проаналізовано результати моделювання задля вибору оптимальної моделі машинного навчання для побудови на її основі системи підтримки прийняття рішень. Результатом роботи є визначення методів кредитного скорингу та розробка архітектури системи підтримки прийняття рішення щодо надання кредитів у фінансових організаціях. Thesis: 111 pages, 52 figures, 9 tables, 2 appendices, 30 sources. The object of the study is a set of statistical data on consumer loans provided by the bank to individuals. Subject of research: application of machine learning algorithms to tasks that take place in the framework of credit scoring. The purpose of this work is to study and improve existing methods of constructing scoring models and to develop a decision support system for assessing the creditworthiness of individuals using the method of logistic regression. The paper considers the process of analytical forecasting of credit results based on machine learning methods. An overview of modern models of machine learning and methods of their construction, the process of data preparation and review of data on credit cases and the construction of models based on these data. The results of modeling and evaluation of the most effective model of machine learning for building a decision-making system based on it were analyzed for a reasonable choice. The result is the definition of credit scoring methods and the development of the architecture of the decision support system for lending in financial institutions. |
