Previsão do risco de empréstimo: Regressão Logística vs. Redes Neuronais - Wanjale, Kirti;Wanjale, Aditya
28,99 €
inkl. MwSt.

Versandfertig in 6-10 Tagen
payback
14 °P sammeln
  • Broschiertes Buch

A previsão do risco de crédito é crucial para as instituições financeiras minimizarem os riscos de crédito. Este estudo investiga a eficácia dos dados de transacções na previsão do risco de empréstimos, comparando o desempenho de dois algoritmos populares: regressão logística e redes neurais feed-forward. A investigação visa avaliar as capacidades de previsão, a interpretabilidade e a aplicabilidade prática destes modelos na identificação de potenciais incumprimentos de empréstimos com base em padrões transaccionais. Os dados transaccionais, adquiridos no Kaggle, foram submetidos a um…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
A previsão do risco de crédito é crucial para as instituições financeiras minimizarem os riscos de crédito. Este estudo investiga a eficácia dos dados de transacções na previsão do risco de empréstimos, comparando o desempenho de dois algoritmos populares: regressão logística e redes neurais feed-forward. A investigação visa avaliar as capacidades de previsão, a interpretabilidade e a aplicabilidade prática destes modelos na identificação de potenciais incumprimentos de empréstimos com base em padrões transaccionais. Os dados transaccionais, adquiridos no Kaggle, foram submetidos a um pré-processamento rigoroso e a uma engenharia de caraterísticas adaptada às caraterísticas únicas dos registos de transacções financeiras. Ambos os modelos foram extensivamente treinados e avaliados utilizando métricas estabelecidas, abrangendo a exatidão, a precisão, a recordação e a pontuação F1 para medir de forma abrangente o seu desempenho na previsão de incumprimentos de empréstimos. Os resultados indicam pontos fortes variados entre os modelos: a regressão logística demonstra uma interpretabilidade louvável, ao mesmo tempo que alcança métricas de desempenho competitivas, enquanto a rede neural feed-forward apresenta uma maior exatidão de previsão, embora com maior complexidade e menor interpretabilidade.
Autorenporträt
A Dra. Kirti Hemant Wanjale obteve o seu doutoramento na Faculdade de Engenharia Informática da SSSTUMS, Sehore MP. Atualmente, trabalha como Professora no Departamento de Engenharia Informática do Instituto de Tecnologia de Pune. Tem 22 anos de experiência. Os seus principais interesses de investigação são Redes de Sensores Sem Fios, Internet das Coisas (IoT).