Vorhersage des Kreditrisikos: Logistische Regression vs. Neuronale Netze DE
-
- Deutsch ausgewählt
43,90 €
inkl. gesetzl. MwSt.,
Lieferung nach Hause
Beschreibung
Produktdetails
Einband
Taschenbuch
Erscheinungsdatum
28.04.2025
Verlag
Verlag Unser WissenSeitenzahl
52
Maße (L/B/H)
22/15/0,4 cm
Gewicht
96 g
Auflage
1. Auflage
Sprache
Deutsch
ISBN
978-620-6-80434-5
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 zu beurteilen. 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.
Kundinnen und Kunden meinen
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kund*innen durch Ihre Meinung
Kurze Frage zu unserer Seite
Vielen Dank für dein Feedback
Wir nutzen dein Feedback, um unsere Produktseiten zu verbessern. Bitte habe Verständnis, dass wir dir keine Rückmeldung geben können. Falls du Kontakt mit uns aufnehmen möchtest, kannst du dich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice