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.

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.

Karar ağacı nedir?

Bir ağaç için kazancı hesaplama

Bir Gini'yi değiştirmek...

rpart() paketiyle karar ağaçları oluşturma

Eğitim setinde eksik örnekleme (undersampling)

Öncelik olasılıklarını değiştirme

Bir kayıp matrisi ekleme

Karar ağacını budama

Değiştirilmiş önsel olasılıklarla ağacı budama

Kayıp matrisi ile ağacı budama

Diğer ağaç seçenekleri ve karışıklık matrislerinin oluşturulması

Daha fazla seçenekle son bir ağaç

Son ağaçlarımızın karmaşıklık (confusion) matrisleri ve doğruluğu

Doğruluğu optimize etme

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

Manager of Data Science Curriculum at Flatiron School

Diğer ağaç seçenekleri ve karmaşıklık matrislerinin oluşturulması

Diğer ilginç rpart() argümanları

Karar ağacını kullanarak tahmin yapmak

Karmaşıklık matrisi oluşturma

Hadi pratik yapalım!

Decision trees - Diğer ağaç seçenekleri ve karışıklık matrislerinin oluşturulması

Diğer ağaç seçenekleri ve karışıklık matrislerinin oluşturulması

Create Your Free Account