Određivanje kreditne sposobnosti klijenata korištenjem XGBoost algoritma

diplomski rad

• Naslov (engleski): Determining credit default risk using the XGBoost algorithm
• Autor: Josipa Škugor
• Mentor: Mate Puljiz (mentor)
• Član povjerenstva: Mate Puljiz (predsjednik povjerenstva)
• Član povjerenstva: Tomislav Burić (član povjerenstva)
• Član povjerenstva: Domagoj Vlah (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-09-18, Hrvatska

Sažetak

U ovom radu istražena je primjena XGBoost algoritma za klasifikaciju klijenata Home Credit tvrtke. Cilj istraživanja je bio razviti model koji klasificira klijente na temelju povijesnih podataka i ponašanja. Algoritam koristi podatke prikupljene iz bankarskih sustava i preuzete s Kaggle stranice. Podatci su analizirani i obrađeni kako bi se prilagodili za rad s modelom. Sve analize, obrada podataka, te razvoj i implementacija modela provedeni su korištenjem Python programskog jezika. XGBoost se pokazao iznimno dobrim za rješavanje ovog problema te je treniranje samog modela, iako na velikom skupu podataka, provedeno brzo i efikasno zbog mogućnosti korištenja svih jezgri procesora. Rezultati su pokazali da bi korištenje XGBoost algoritma prilikom klasifikacije klijenata banke značajno unaprijedilo proces i olakšalo posao, a osobito u kombinaciji s još nekim dodatnim mehanizmima.

Sažetak (engleski)

This study explores the application of the XGBoost algorithm for classifying clients of Home Credit organization. The goal of the research was to develop a model that classifies clients based on historical data and behavior. The algorithm utilizes data collected from banking systems and retrieved from Kaggle. The data were analyzed and processed to be suitably adapted for the model. All analyses, data processing, and the development and implementation of the model were carried out using the Python programming language. XGBoost proved to be exceptionally effective in addressing this problem, with the model training -- despite working with a large dataset -- being performed quickly and efficiently due to its capability to utilize all processor cores. The results indicated that using the XGBoost algorithm for client classification would significantly enhance the process and facilitate the task, especially when combined with additional mechanisms.

• Ključne riječi: XGBoost; Home Credit; klasifikacija; Kaggle; Python
• Ključne riječi (engleski): XGBoost; Home Credit; classification; Kaggle; Python
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:836716
• Studijski program: Naziv: Informacijska i komunikacijska tehnologija; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije (mag. ing. inf. et comm. techn.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2024-10-12 22:17:00