Andere Kunden interessierten sich auch für
![Previsão do risco de empréstimo: Comparação entre redes neurais e SVMs]( "Previsão do risco de empréstimo: Comparação entre redes neurais e SVMs")
Previsão do risco de empréstimo: Comparação entre redes neurais e SVMs29,99 €![Comparação da Regressão Logística e Análise Discriminante]( "Comparação da Regressão Logística e Análise Discriminante")
Comparação da Regressão Logística e Análise Discriminante23,99 €![Regressão logística politômica ordinal aplicada]( "Regressão logística politômica ordinal aplicada")
Regressão logística politômica ordinal aplicada23,99 €![Predicción del riesgo de crédito: Regresión logística frente a redes neuronales]( "Predicción del riesgo de crédito: Regresión logística frente a redes neuronales")
Predicción del riesgo de crédito: Regresión logística frente a redes neuronales29,99 €![Modelagem e previsão de taxa de câmbio]( "Modelagem e previsão de taxa de câmbio")
Modelagem e previsão de taxa de câmbio29,99 €![REGRESSÃO LINEAR E SUSTENTABILIDADE DE UM PLANO DE NEGÓCIOS]( "REGRESSÃO LINEAR E SUSTENTABILIDADE DE UM PLANO DE NEGÓCIOS")
REGRESSÃO LINEAR E SUSTENTABILIDADE DE UM PLANO DE NEGÓCIOS26,99 €![Análise de séries temporais de alterações climáticas]( "Análise de séries temporais de alterações climáticas")
Análise de séries temporais de alterações climáticas29,99 €
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.