or
이 연습은 강의의 일부입니다
첫 번째 장에서는 신용 리스크의 개념을 살펴보고 그 계산 방법을 정의합니다. 교차표와 시각화를 사용해 실제 데이터 세트를 탐색해 볼 거예요. Machine Learning을 적용하기 전에, 문제점을 찾아 해결하며 데이터를 전처리합니다.
대출 데이터 준비를 마쳤다면, 리스크 모델링의 표준인 로지스틱 회귀 모델을 살펴봅니다. 이 모델의 구성 요소와 성능 평가 방법을 이해할 거예요. 예측값을 만든 뒤에는, 이 모델을 활용했을 때의 재무적 영향을 분석해 봅니다.
의사결정나무는 또 다른 표준 신용 리스크 모델입니다. 여기서 한 걸음 더 나아가, Python의 최신 XGBoost 패키지를 사용해 Gradient Boosted Trees를 구축해 보겠습니다. 고도화된 모델을 개발한 후에는 성능을 스트레스 테스트하고, 불균형 데이터에서의 컬럼 선택을 논의합니다.
강력한 두 가지 Machine Learning 모델을 개발하고 테스트한 뒤, 핵심 성과 지표로 모델을 비교합니다. 금융 모델링에 특화된 고급 모델 선택 기법을 적용해 최종 모델을 선택합니다. 선택한 모델로 비즈니스 전략을 수립하고, 포트폴리오 가치를 추정하며, 기대 손실을 최소화해 봅니다.
현재 연습