28,99 €
inkl. MwSt.
Versandfertig in 6-10 Tagen
14 °P sammeln
Andere Kunden interessierten sich auch für
![Previsione del rischio di prestito: Regressione logistica e reti neurali]( "Previsione del rischio di prestito: Regressione logistica e reti neurali")
Previsione del rischio di prestito: Regressione logistica e reti neurali28,99 €![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 €![Spieltheorie]( "Spieltheorie")
Spieltheorie8,60 €![The R Series - Advanced R]( "The R Series - Advanced R")
The R Series - Advanced R50,99 €![Grundwissen Stochastik]( "Grundwissen Stochastik")
Grundwissen Stochastik18,90 €![Essai Sur L'application De L'analyse À La Probabilité Des Décisions Rendues À La Pluralité Des Voix]( "Essai Sur L'application De L'analyse À La Probabilité Des Décisions Rendues À La Pluralité Des Voix")
Essai Sur L'application De L'analyse À La Probabilité Des Décisions Rendues À La Pluralité Des Voix26,99 €![Ejercicios de Estadística Avanzada]( "Ejercicios de Estadística Avanzada")
Ejercicios de Estadística Avanzada11,99 €
Przewidywanie ryzyka kredytowego ma kluczowe znaczenie dla instytucji finansowych w celu zminimalizowania ryzyka kredytowego. W niniejszym badaniu zbadano skuteczno¿¿ danychtransakcyjnych w przewidywaniu ryzyka kredytowego, porównuj¿c wydajno¿¿ dwóch popularnych algorytmów: regresji logistycznej i sieci neuronowych typu feed-forward. Badanie ma na celu ocen¿ zdolno¿ci predykcyjnych, mo¿liwo¿ci interpretacji i praktycznego zastosowania tych modeli w identyfikowaniu potencjalnych niesp¿aconych kredytów w oparciu o wzorce transakcyjne. Dane transakcyjne, pozyskane z Kaggle, zostäy poddane rygorystycznemu przetwarzaniu wst¿pnemu i in¿ynierii cech dostosowanej do unikalnych cech zapisów transakcji finansowych. Oba modele zostäy intensywnie wytrenowane i ocenione przy u¿yciu ustalonych wskäników, obejmuj¿cych dok¿adno¿¿, precyzj¿, wycofanie, wynik F1, aby kompleksowo oceni¿ ich skuteczno¿¿ w przewidywaniu niesp¿acenia kredytu. Wyniki wskazuj¿ na ró¿ne mocne strony modeli: regresja logistyczna wykazuje godn¿ pochwäy interpretowalno¿¿ przy jednoczesnym osi¿gni¿ciu konkurencyjnych wskäników wydajno¿ci, podczas gdy sie¿ neuronowa feed-forward wykazuje wy¿sz¿ dok¿adno¿¿ predykcyjn¿, aczkolwiek przy zwi¿kszonej z¿o¿ono¿ci i zmniejszonej interpretowalno¿ci.