Пошук академічних текстів

Інформація × Реєстраційний номер 2125U003185, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Застосування інструментів інтелектуального аналізу даних для класифікації кредитних заявок Автор Ярмолаєва Наталія АндріївнаYarmolaieva Nataliya Andriivna Дата публікації 01-01-2025 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/76198 Видання Київ Опис Дипломна робота: 96 с., 23 рис., 6 табл., 2 додатки, 23 посилання. Об’єкт дослідження – процес оцінювання кредитоспроможності клієнтів банку. Предмет дослідження – моделі машинного навчання, що використовуються для автоматизованої оцінки фінансових ризиків. Мета роботи – розробити програмний прототип, який дозволяє класифікувати позичальників за рівнем кредитоспроможності на основі історичних та поточних клієнтських даних. У межах дипломного дослідження здійснено комплексний огляд актуальних підходів до оцінювання кредитоспроможності, серед яких розглянуто логістичну регресію, методи на основі дерев рішень, алгоритм випадкового лісу, градієнтний бустинг (XGBoost), а також ансамблеві стратегії, зокрема Stacking і Bagging. Описано етапи збору, очищення та обробки даних, зокрема кодування змінних, нормалізацію, обробку пропущених значень та балансування класів. На основі відкритого датасету побудовано кілька моделей, проведено їх навчання, валідацію та порівняльний аналіз за основними метриками якості класифікації (Accuracy, Precision, Recall, F1-score, AUC-ROC). Реалізовано прототип системи на Python з використанням бібліотек scikit-learn, XGBoost, pandas та matplotlib. Отримані результати дослідження засвідчують ефективність використання інтелектуальних моделей для підвищення точності та оперативності процесу кредитного аналізу. Thesis: 96 pages, 23 figures, 6 tables, 2 appendiсes, 23 references. Object of the research – the procedure for analyzing the creditworthiness of individuals applying for bank loans. Subject of the research – machine learning techniques utilized for automating credit risk evaluation. Aim of the study – to design and implement a software prototype capable of categorizing loan applicants based on their credit reliability, using both historical records and current customer data. This thesis investigates advanced credit scoring techniques, incorporating models such as logistic regression, decision tree algorithms, random forests, gradient boosting (specifically XGBoost), and ensemble strategies like stacking. The study outlines the complete data preparation pipeline, including data acquisition, variable transformation (e.g., encoding), normalization, treatment of missing entries, and class distribution adjustment. Multiple predictive models were developed using a publicly accessible dataset, subsequently trained, validated, and benchmarked against one another using standard classification performance indicators— Accuracy, Precision, Recall, F1-score, and AUC-ROC. A fully functional prototype was developed in Python, leveraging libraries including scikit-learn, XGBoost, pandas, and matplotlib. The outcomes clearly demonstrate that intelligent machine learning solutions can significantly increase both the precision and efficiency of credit risk assessment processes. Додано в НРАТ 2025-11-05 Закрити