Procjena rizika preuranjenog vraćanja kredita putem strojnog učenja

završni rad

• Naslov (engleski): Machine Learning Based Early-return Credit Risk Assesment
• Autor: Ivona Mramor
• Mentor: Vladimir Čeperić (mentor)
• Član povjerenstva: Vladimir Čeperić (predsjednik povjerenstva)
• Član povjerenstva: Mladen Karan (član povjerenstva)
• Član povjerenstva: Igor Stančin (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2019-07-12, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Banke se često nalaze u nedoumici prilikom sklapanja ugovora o kreditu jer ne mogu znati hoće li se klijent držati ugovora, zbog toga banke razvijaju razne strategije kako bi mogle odrediti rizike i jedan od rizika je mogućnost da klijent vrati kredit prije dogovorenog ro­ka.U ovom radu opisan pristup određivanju rizika preuranjenog vraćanja kredita. Opisani su postupci obrade skupa podataka. Upoznavanje s algoritmom XGBoost-a i svim nje­govim značajkama koji ga dovode u prednost naspram ostalih algoritama strojnog učenja. Izgradnja inicijalnog modela za procjenu rizika preuranjenog vraćanja kredita te detaljni opis koraka koje je potrebno izvesti kako bi se parametri XGBoost-a podesili na vrijednosti koji će poboljšati točnost modela.

Sažetak (engleski)

Banks often find themselves in doubt when concluding a loan agreement because they can not know if a client will behave as it was agreed in contracts, so banks develop various strategies to determine risks and one of the risks is if the client pay off their loan earlier. In this paper is described approach to determining the risk of early repayment of the loan. Also, the data set processing procedures are described. Acquainted with the XGBoost al­gorithm and all its features that take precedence over other machine learning algorithms.It is built an initial model for estimating the risk of premature loan repayment and a detailed description of the steps that need to be performed to set the XGBoost parameters to a value that will improve the accuracy of the model.

• Ključne riječi: klasifikacija; pojačavanje; treniranje; prenaučenost; testiranje; validacija; XGBoost; stabla odluke
• Ključne riječi (engleski): Classification; Boosting; Overfitting; Training; Testing; Validation:XGBoost; Decision Tree
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:869145
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2020-01-07 20:38:02