Search academic texts

Information × Registration Number 2119U007515, Article popup.category Бакалаврська робота Title Ансамбль моделей для прогнозування повернення кредитів на основі інформації про поведінку користувача на сайті (AI translated) popup.author Міщук Андрій РомановичMishchuk Andrii Romanovych popup.publication 01-01-2019 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/29554 popup.publisher Київ Description Дипломна робота: 88 с., 22 рис., 8 табл., 2 додатки, 16 джерел. Фінансова сфера завжди була одним з основних споживачів інформаційних технологій, зокрема, систем побудови прогнозів. Досить поширеними на сьогодні є різноманітні методи передбачення для фільтрації проблемних клієнтів. Зазвичай для такого аналізу використовується приватна інформація про користувача. Перевагою даної роботи є те, що в якості вхідних даних використовується інформація про поведінку користувача на сайті, що не є приватною. Проте, дані такого типу мають недолік - вони є недостатньо репрезинтативними для застосування в класичних моделях, тому в цій роботі використано методи ансамблювання слабких моделей з метою одержання сильної на їх основі. Об’єкт дослідження – платоспроможність позичальника. Предмет долідження – ансамбль моделей для прогнозування дефолту позичальника. Методи дослідження – техніки ансамблювання беггінг, бустинг, бутстрапінг, стекінг. Thesis contains: 88 p., 22 Fig., 2 Append., 8 Tabl.,16 sources. The theme: “Prediction of loans repayment based on information about clients behaviour on site”. The financial sphere has always been one of the main consumers of information technology, in particular, systems for forecasting. Today, there are various methods for predicting the filtering of problem clients. Usually, private information about the user is used for such analysis. The advantage of this work is that the input data uses information about the behavior of the user on a site that is not private. However, the data of this type has a drawback - it is not sufficiently representative for use in classical models, so in this work the methods of the assembly of weak models in order to obtain a strong on their basis were used. The object – client`s solvency. The subject – model ensemble for customer default prediction. Methods – bagging, boosting, bootstrapping, stacking model ensemble technics. popup.nrat_date 2025-11-05 Close