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.

Introduction and data structure

Exploring the credit data

Interpreting a CrossTable()

Histograms and outliers

Histograms

Outliers

Missing data and coarse classification

Deleting missing data

Replacing missing data

Keeping missing data

Data splitting and confusion matrices

Splitting the data set

Creating a confusion matrix

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.

Lojistik regresyon: giriş

Temel lojistik regresyon

Kategorik bir değişken için olasılık oranlarını yorumlama

Bir lojistik regresyon modelinde birden çok değişken

Anlamlılık düzeylerini yorumlama

Lojistik regresyon: temerrüt olasılığını tahmin etme

Temerrüt olasılığını tahmin etme

Daha ayırt edici modeller oluşturma

Lojistik regresyon modelinin sonucunu değerlendirme

Bir eşik değeri (cut-off) belirtmek

İki eşik değerini karşılaştırma

Kapanış ve notlar

Belirli bir eşik değeri için bağ fonksiyonlarını karşılaştırma

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

Anlamlılık düzeylerini yorumlama

R ile Kredi Riski Modellemesi

Uygulamalı etkileşimli egzersiz