Využití vybraných metod strojového učení pro modelování kreditního rizika

Matěj Drábek

Diplomová práce

Machine Learning Methods for Credit Risk Modelling

Anotace:

Diplomová práce je členěna na tři základní části. V té první se věnuji P2P úvěrování, jeho charakteristikám, základním konceptům a jejich promítnutím v praxi. Srovnávám v ní také P2P trh u nás, ve Velké Británii a v USA. V druhé části této práce popisuji teoretická východiska vybraných metod strojového učení, kterými jsou naivní bayesovský klasifikátor, klasifikační strom, náhodný les a logistická regrese. Také zde popisuji způsoby stanovení úspěšnosti těchto modelů. Ve třetí části pak uvádím postup, kterým se tyto metody převádí do praxe, a to od přípravy dat přes optimalizaci parametrů až po zhodnocení úspěšnosti modelu.

Abstract:

This master's thesis is divided into three parts. In the first part I described P2P lending, its characteristics, basic concepts and practical implications. I also compared P2P market in the Czech Republic, UK and USA. The second part consists of theoretical basics for chosen methods of machine learning, which are naive bayes classifier, classification tree, random forest and logistic regression. I also described methods to evaluate the quality of classification models listed above. The third part is a practical one and shows the complete workflow of creating classification model, from data preparation to evaluation of model.

Klíčová slova

P2P úvěrování, klasifikační strom, strojové učení pro klasifikaci, náhodný les, logistická regrese, naivní bayesovský klasifikátor

Keywords

classification tree, logistic regression, machine learning for classification, P2P lending, naive bayes classifier, random forest

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 11. 12. 2016

Obhajoba závěrečné práce

• Obhajoba proběhla 22. 6. 2017
• Vedoucí: Jiří Witzany
• Oponent: Jiří Málek

Vysoká škola ekonomická v Praze

Magisterský studijní program / obor:
Finance a účetnictví / Finanční inženýrství