This chapter begins with a general introduction to credit risk models. We'll explore a real-life data set, then preprocess the data set such that it's in the appropriate format before applying the credit risk models.

Giriş ve veri yapısı

Kredi verilerini keşfetme

CrossTable() çıktısını yorumlamak

Histogramlar ve aykırı değerler

Histogramlar

Aykırı değerler

Eksik veriler ve kaba sınıflandırma

Eksik verileri silmek

Eksik verileri değiştirme

Eksik veriyi tutmak

Veri bölme ve karışıklık matrisleri

Veri kümesini bölme

Karmaşıklık (confusion) matrisi oluşturma

Introduction and data preprocessing

Chapter 1

Logistic regression is still a widely used method in credit risk modeling. In this chapter, you will learn how to apply logistic regression models on credit data in R.

Logistic regression: introduction

Basic logistic regression

Interpreting the odds for a categorical variable

Multiple variables in a logistic regression model

Interpreting significance levels

Logistic regression: predicting the probability of default

Predicting the probability of default

Making more discriminative models

Evaluating the logistic regression model result

Specifying a cut-off

Comparing two cut-offs

Wrap-up and remarks

Comparing link functions for a given cut-off

Logistic regression

Chapter 2

Classification trees are another popular method in the world of credit risk modeling. In this chapter, you will learn how to build classification trees using credit data in R.

What is a decision tree?

Computing the gain for a tree

Changing one Gini...

Building decision trees using the rpart()-package

Undersampling the training set

Changing the prior probabilities

Including a loss matrix

Pruning the decision tree

Pruning the tree with changed prior probabilities

Pruning the tree with the loss matrix

Other tree options and the construction of confusion matrices

One final tree using more options

Confusion matrices and accuracy of our final trees

Optimizing the accuracy

Decision trees

Chapter 3

In this chapter, you'll learn how you can evaluate and compare the results obtained through several credit risk models.

Finding the right cut-off: the strategy curve

Computing a bad rate given a fixed acceptance rate

The strategy table and strategy curve

To tree or not to tree?

The ROC-curve

ROC-curves for comparison of logistic regression models

ROC-curves for comparison of tree-based models

Input selection based on the AUC

Another round of pruning based on AUC

Best of four

Further model reduction?

Course wrap-up

Evaluating a credit risk model

Chapter 4 Loan Data Chapter 1

Loan Data Chapter 2, 3 and 4

Gerçek kredi verileriyle yapılan bu uygulamalı kurs, R'de lojistik regresyon ve karar ağaçlarını kullanarak kredi riskini nasıl modelleyeceğini öğretecek. Hem bireysel hem de ticari krediler için kredi riskinin modellenmesi bankalar açısından büyük önem taşır. Bir borçlunun temerrüde düşme olasılığı, kredi riskini ölçmede temel bir bileşendir. Bu kursta başka modeller de tanıtılsa da, kredi skorlama bağlamında sıkça kullanılan iki model türünü öğreneceksin: lojistik regresyon ve karar ağaçları. Bu modelleri bu özel bağlamda nasıl kullanacağını ve bankaların bu modelleri nasıl değerlendirdiğini öğreneceksin.

Intermediate R for Finance

Finansal kredi riskini profesyonel gibi değerlendirmek için modeller oluşturmayı öğrenin.

R ile Kredi Riski Modellemesi

Lojistik regresyon ve karar ağaçlarını kullanarak kredi riskini modellemek için gerçek hayattaki bir ortamda istatistiksel modelleme uygulayın.

Uygulamalı Finans in R

Kantitatif Analist  in R

CrossTable() çıktısını yorumlamak

R ile Kredi Riski Modellemesi

Uygulamalı interaktif egzersiz