Vorhersage des Kreditrisikos: Logistische Regression vs. Neuronale Netze
Versandkostenfrei!
Versandfertig in 6-10 Tagen
43,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Die Vorhersage des Kreditrisikos ist für Finanzinstitute von entscheidender Bedeutung, um das Kreditrisiko zu minimieren. Diese Studie untersucht die Effektivität von Transaktionsdaten bei der Kreditrisikovorhersage und vergleicht die Leistung von zwei beliebten Algorithmen: logistische Regression und Feed-Forward-Neuronale Netze. Ziel der Forschung ist es, die Vorhersagefähigkeiten, die Interpretierbarkeit und die praktische Anwendbarkeit dieser Modelle bei der Identifizierung potenzieller Kreditausfälle auf der Grundlage von Transaktionsmustern zu bewerten . Transaktionsdaten, die von Ka...
Die Vorhersage des Kreditrisikos ist für Finanzinstitute von entscheidender Bedeutung, um das Kreditrisiko zu minimieren. Diese Studie untersucht die Effektivität von Transaktionsdaten bei der Kreditrisikovorhersage und vergleicht die Leistung von zwei beliebten Algorithmen: logistische Regression und Feed-Forward-Neuronale Netze. Ziel der Forschung ist es, die Vorhersagefähigkeiten, die Interpretierbarkeit und die praktische Anwendbarkeit dieser Modelle bei der Identifizierung potenzieller Kreditausfälle auf der Grundlage von Transaktionsmustern zu bewerten . Transaktionsdaten, die von Kaggle erworben wurden, wurden einer strengen Vorverarbeitung und einem Feature-Engineering unterzogen, das auf die einzigartigen Merkmale von Finanztransaktionsdatensätzen zugeschnitten ist. Beide Modelle wurden ausgiebig trainiert und anhand etablierter Metriken wie Genauigkeit, Präzision, Wiedererkennung und F1-Score bewertet, um ihre Leistung bei der Vorhersage von Kreditausfällen umfassend zubeurteilen. Die Ergebnisse weisen auf unterschiedliche Stärken der Modelle hin: Die logistische Regression zeigt eine lobenswerte Interpretierbarkeit und erreicht gleichzeitig wettbewerbsfähige Leistungsmetriken, während das neuronale Feed-Forward-Netz eine höhere Vorhersagegenauigkeit aufweist, allerdings mit erhöhter Komplexität und geringerer Interpretierbarkeit.
Andere Kunden interessierten sich für
