Przewidywanie ryzyka kredytowego: Regresja logistyczna a sieci neuronowe

Przewidywanie ryzyka kredytowego ma kluczowe znaczenie dla instytucji finansowych w celu zminimalizowania ryzyka kredytowego. W niniejszym badaniu zbadano skuteczno-- danychtransakcyjnych w przewidywaniu ryzyka kredytowego, porównuj-c wydajno-- dwóch popularnych algorytmów: regresji logistycznej i sieci neuronowych typu feed-forward. Badanie ma na celu ocen- zdolno-ci predykcyjnych, mo-liwo-ci interpretacji i praktycznego zastosowania tych modeli w identyfikowaniu potencjalnych niesp-aconych kredytów w oparciu o wzorce transakcyjne. Dane transakcyjne, pozyskane z Kaggle, zostäy poddane rygorystycznemu przetwarzaniu wst-pnemu i in-ynierii cech dostosowanej do unikalnych cech zapisów transakcji finansowych. Oba modele zostäy intensywnie wytrenowane i ocenione przy u-yciu ustalonych wskäników, obejmuj-cych dok-adno--, precyzj-, wycofanie, wynik F1, aby kompleksowo oceni- ich skuteczno-- w przewidywaniu niesp-acenia kredytu. Wyniki wskazuj- na ró-ne mocne strony modeli: regresja logistyczna wykazuje godn- pochwäy interpretowalno-- przy jednoczesnym osi-gni-ciu konkurencyjnych wskäników wydajno-ci, podczas gdy sie- neuronowa feed-forward wykazuje wy-sz- dok-adno-- predykcyjn-, aczkolwiek przy zwi-kszonej z-o-ono-ci i zmniejszonej interpretowalno-ci.

Dr Kirti Hemant Wanjale uzyskäa stopie- doktora na Wydziale In-ynierii Komputerowej w SSSTUMS, Sehore MP. Obecnie pracuje jako profesor na Wydziale In-ynierii Komputerowej w Vishwakarma Institute of Technology Pune. Ma 22-letnie do-wiadczenie. Jej g-ówne zainteresowania badawcze to bezprzewodowe sieci czujników, Internet rzeczy (IoT).