| Abstract : | Η παρούσα διπλωματική εργασία εξετάζει την πρόβλεψη της αθέτησης πληρωμών πιστωτικών καρτών από την σκοπιά των κλασικών στατιστικών μεθόδων και νέων πιθανών εναλλακτικών προσεγγίσεων, όπως αλγόριθμοι μηχανικής μάθησης. Το πρόβλημα αντιμετωπίζεται ως ένα πρόβλημα δυαδικής ταξινόμησης χρησιμοποιώντας τη μέθοδο SMOTE για την προσαρμογή της κατανομής των κλάσεων των μεταβλητών σε σύνολα δεδομένων και τις κατάλληλες μεθόδους επιλογής μεταβλητών προκειμένου να διατηρηθούν εκείνες με τα πιο σχετικά χαρακτηριστικά και να ενισχυθεί η συνολική απόδοση των μοντέλων. Η επιλογή του καλύτερου μοντέλου βασίζεται στον συνδυασμό της ακρίβειας του μοντέλου αλλά και του AUC. Το μοντέλο SVM, έχοντας εφαρμόσει τη μέθοδο επιλογής μεταβλητών LASSO, είχε την καλύτερη απόδοση από τα υπόλοιπα μοντέλα.
This thesis examines the prediction of default on credit card payments from the aspect of classical statistical methods and new potential alternative approaches such as machine learning algorithms. The problem is faced as a binary classification problem using Minority Oversampling Technique (SMOTE) for imbalanced dataset and the appropriate variable selection methods in order to keep the most relevant features and enhance the overall performance of the models. The selection of the best model is based on the combination of accuracy of the model and Area Under Curve. The Support Vector Machine (SVM) model, having applied LASSO variable selection method, performed better than the rest of the models.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.