Tato kapitola začíná obecným úvodem do modelů kreditního rizika. Prozkoumáme reálný datový soubor a poté ho předzpracujeme do podoby vhodné pro aplikaci modelů kreditního rizika.

Úvod a struktura dat

Průzkum úvěrových dat

Interpretace funkce CrossTable()

Histogramy a odlehlé hodnoty

Histogramy

Odlehlé hodnoty

Chybějící data a hrubá klasifikace

Odstranění chybějících dat

Nahrazování chybějících hodnot

Zachování chybějících hodnot

Rozdělení dat a matice záměn

Rozdělení datové sady

Vytvoření matice záměn

Úvod a předzpracování dat

Chapter 1

Logistická regrese je stále jednou z nejpoužívanějších metod v oblasti modelování kreditního rizika. V této kapitole se naučíš, jak aplikovat modely logistické regrese na úvěrová data v R.

Logistická regrese: úvod

Základní logistická regrese

Interpretace šancí pro kategorickou proměnnou

Více proměnných v logistickém regresním modelu

Interpretace hladin statistické významnosti

Logistická regrese: predikce pravděpodobnosti selhání

Předpovídání pravděpodobnosti selhání

Tvorba diskriminativnějších modelů

Vyhodnocení výsledků logistického regresního modelu

Nastavení prahu klasifikace

Porovnání dvou prahových hodnot

Shrnutí a závěrečné poznámky

Porovnání linkových funkcí pro danou prahovou hodnotu

Logistická regrese

Chapter 2

Klasifikační stromy jsou další oblíbenou metodou ve světě modelování kreditního rizika. V této kapitole se naučíš, jak vytvářet klasifikační stromy pomocí úvěrových dat v R.

Co je rozhodovací strom?

Výpočet zisku pro strom

Změna jednoho Giniho...

Sestavování rozhodovacích stromů pomocí balíčku rpart()

Podvzorkování trénovací sady

Změna apriorních pravděpodobností

Zahrnutí matice ztrát

Prořezávání rozhodovacího stromu

Oříznutí stromu se změněnými apriorními pravděpodobnostmi

Prořezání stromu pomocí ztrátové matice

Další možnosti stromů a sestavení matice záměn

Finální strom s rozšířenými možnostmi

Matice záměn a přesnost našich finálních stromů

Optimalizace přesnosti

Rozhodovací stromy

Chapter 3

V této kapitole zjistíš, jak vyhodnocovat a porovnávat výsledky získané pomocí různých modelů kreditního rizika.

Hledání správné hranice: křivka strategie

Výpočet míry špatných úvěrů při pevně stanovené míře akceptace

Strategická tabulka a strategická křivka

Strom, nebo ne?

ROC křivka

ROC křivky pro porovnání modelů logistické regrese

ROC křivky pro porovnání stromových modelů

Výběr vstupů na základě AUC

Další kolo prořezávání na základě AUC

Nejlepší ze čtyř

Lze model dále zjednodušit?

Shrnutí kurzu

Vyhodnocení modelu kreditního rizika

Chapter 4 Loan Data Chapter 2, 3 and 4

Loan Data Chapter 1

Tento praktický kurz s reálnými úvěrovými daty tě naučí modelovat kreditní riziko pomocí logistické regrese a rozhodovacích stromů v R. Modelování kreditního rizika pro osobní i firemní úvěry je pro banky klíčovou oblastí. Pravděpodobnost, že dlužník nesplatí svůj závazek, je základním stavebním kamenem při měření kreditního rizika. Kromě dalších přístupů se v tomto kurzu zaměříme na dva typy modelů, které se v kontextu kreditního scoringu používají nejčastěji: logistickou regresi a rozhodovací stromy. Naučíš se, jak je v tomto konkrétním kontextu používat a jak banky hodnotí jejich výsledky.

Intermediate R for Finance

Naučte se vytvářet modely pro hodnocení finančního úvěrového rizika jako profesionál.

Modelování kreditního rizika v R

Použijte statistické modelování v praxi s logistickou regresí a rozhodovacími stromy pro modelování úvěrového rizika.

Aplikované finance v R

Kvantitativní analytik  v R

Manager of Data Science Curriculum at Flatiron School

Tvorba rozhodovacích stromů pomocí balíčku rpart()

Představte si...

Balíček rpart()! Ale...

Tři techniky pro překonání nevyváženosti

Pojďme cvičit!

Rozhodovací stromy - Sestavování rozhodovacích stromů pomocí balíčku rpart()

Sestavování rozhodovacích stromů pomocí balíčku rpart()

Create Your Free Account