Masinõppe rakendamine makseviivituse tõenäosuse hindamisel

dc.contributor.advisorKängsepp, Markus, juhendaja
dc.contributor.advisorKull, Meelis, juhendaja
dc.contributor.advisorKõiv, Kuldar, juhendaja
dc.contributor.authorPraks, Martti
dc.contributor.otherTartu Ülikool. Loodus- ja täppisteaduste valdkondet
dc.contributor.otherTartu Ülikool. Arvutiteaduse instituutet
dc.date.accessioned2023-08-23T11:43:55Z
dc.date.available2023-08-23T11:43:55Z
dc.date.issued2022
dc.description.abstractMakseviivituse tõenäosuse hindamine on finantsasutusel üheks võtmetegevuseks krediidiriski hindamisel. Makseviivituse tõenäosus on oluline tunnus, mille pealt otsustatakse kas ja mis tingimustel krediiti anda ning jälgitakse kogu krediiditoodete portfelli kvaliteeti. Üldistatult saab kasutatavad mudelid jagada kaheks: statistilised lähenemised ja masinõppe tehnikad. Magistritöö peamisteks tulemusteks on võrdlus logistilise regressiooni ja teiste masinõppemeetoditega loodud mudelite vahel, kasutades AS LHV Group’i reaalseid andmeid. Töös demonstreeritakse erinevate meetoditega saavutatud makseviivituse hindamismudeli tulemeid ja arutletakse erinevate meetodite eeliste üle. Parima tulemuse saavutas mõõdikute alusel otsustuspuu algoritmil põhinev otsustusmets. Töös rakendatakse erinevaid meetodeid otsustusmetsa mudeli seletamiseks toetades selle meetodi rakendamist praktikas. Arvestades viimasel ajal erinevate otsustuspuu meetodil põhinevate masinõppemeetodite edukust paljudes valdkondades, ei ole saavutatud tulemused üllatuslikud. Otsustusmetsa ennustusi seletatakse läbi mudeli üldiste seoste andmestiku tunnustega ja konkreetsemalt näitlikustatakse erinevate näidete ennustuse kujunemist. Kas need tulemid on piisavad, et praktikas otsustusmetsa kasutada, jäetakse lõppkasutaja otsustada.et
dc.identifier.urihttps://hdl.handle.net/10062/91710
dc.language.isoestet
dc.publisherTartu Ülikoolet
dc.rightsopenAccesset
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectmasinõpeet
dc.subjectmakseviivituset
dc.subjectlogistiline regressioonet
dc.subjecttugivektormasinet
dc.subjectotsustusmetset
dc.subjecttehisnärvivõrket
dc.subjectLIMEet
dc.subjecttõenäosuste kalibreerimineet
dc.subject.othermagistritöödet
dc.subject.otherinformaatikaet
dc.subject.otherinfotehnoloogiaet
dc.subject.otherinformaticset
dc.subject.otherinfotechnologyet
dc.titleMasinõppe rakendamine makseviivituse tõenäosuse hindamiselet
dc.typeThesiset

Failid

Originaal pakett

Nüüd näidatakse 1 - 2 2
Laen...
Pisipilt
Nimi:
Praks_MSc_andmeteadus_2022.pdf
Suurus:
1.48 MB
Formaat:
Adobe Portable Document Format
Kirjeldus:
Pisipilt ei ole saadaval
Nimi:
Esitamiseks.zip
Suurus:
3.14 MB
Formaat:
Compressed ZIP
Kirjeldus:
Lisad

Litsentsi pakett

Nüüd näidatakse 1 - 1 1
Pisipilt ei ole saadaval
Nimi:
license.txt
Suurus:
1.71 KB
Formaat:
Item-specific license agreed upon to submission
Kirjeldus: