Разработка алгоритмов ранговой регрессии для кредитного скоринга (отчет)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(→Описание данных)
(→Описание алгоритмов)
Строка 22: Строка 22:
== Описание алгоритмов ==
== Описание алгоритмов ==
 +
= Полная стратегия обучения или Full Fixed Margin approach (FFM) =
 +
 +
Предположим, что есть некоторая функция <tex>f: x\to R</tex>, причем ее значения известны только по сравнению с набором порогов <tex>h_1 < \ldots < h_k</tex>. Объект '''x''' попадает в класс <tex>k</tex> если <tex>h_{k-1} \leq f(x) < h_k</tex>. Таким образом задача сводится к оценке функции <tex>\hat{f}(x)</tex> и порогов <tex>\hat{h}_k</tex>. Оцениваемую функцию положим линейной <tex>\hat{f}(x) = a^Tx</tex>. Тогда классификатор будет иметь вид:
 +
<tex>
 +
\begin{cases}
 +
a^Tx < \hat{h}_1 & \to y(x) = 0 \\
 +
\hat{h}_1 \leq a^Tx < \hat{h}_2 & \to y(x) = 1 \\
 +
\dots \\
 +
\hat{h}_{K-1} \leq a^Tx < \hat{h}_K & \to y(x) = K
 +
\end{cases}
 +
</tex>
 +
 +
=== Обзор литературы ===
=== Обзор литературы ===
Строка 30: Строка 43:
=== Варианты или модификации ===
=== Варианты или модификации ===
 +
<math>Вставьте сюда формулу</math>
== Описание системы ==
== Описание системы ==

Версия 08:43, 8 февраля 2010

Введение в проект

Описание проекта

Цель проекта

Разработка алгоритмов ранговой регрессии для кредитного скоринга

Обоснование проекта

Кредитный скоринг позволит оценить вероятность разорения заёмщика или их группы. По тому, как будет классифицирован заёмщик, можно принимать решение о выдаче кредита.

Описание данных

Данные представляют собой матрицу объекты-признаки \|X\|_{i = 1..N}^{j = 1..M} и столбец ответов \|Y\|_{i = 1..N}. Признаки принимают действительные значения, ответы - натуральные из промежутка [0 \dots K-1].

Критерии качества

Требования к проекту

Выполнимость проекта

Используемые методы

SVM, Логистическая регрессия

Постановка задачи

Описание алгоритмов

Полная стратегия обучения или Full Fixed Margin approach (FFM)

Предположим, что есть некоторая функция f: x\to R, причем ее значения известны только по сравнению с набором порогов h_1 < \ldots < h_k. Объект x попадает в класс k если h_{k-1} \leq f(x) < h_k. Таким образом задача сводится к оценке функции \hat{f}(x) и порогов \hat{h}_k. Оцениваемую функцию положим линейной \hat{f}(x) = a^Tx. Тогда классификатор будет иметь вид: \begin{cases} a^Tx < \hat{h}_1 & \to y(x) = 0 \\ \hat{h}_1 \leq a^Tx < \hat{h}_2 & \to y(x) = 1 \\ \dots \\ \hat{h}_{K-1} \leq a^Tx < \hat{h}_K & \to y(x) = K \end{cases}


Обзор литературы

Базовые предположения

Математическое описание

Варианты или модификации

<math>Вставьте сюда формулу</math>

Описание системы

  • Ссылка на файл system.docs
  • Ссылка на файлы системы

Отчет о вычислительных экспериментах

Визуальный анализ работы алгоритма

Анализ качества работы алгоритма

Анализ зависимости работы алгоритма от параметров

Отчет о полученных результатах

Список литературы

Данная статья является непроверенным учебным заданием.
Студент: Участник:Кирилл Павлов
Преподаватель: Участник:В.В. Стрижов
Срок: 15 декабря 2009

До указанного срока статья не должна редактироваться другими участниками проекта MachineLearning.ru. По его окончании любой участник вправе исправить данную статью по своему усмотрению и удалить данное предупреждение, выводимое с помощью шаблона {{Задание}}.

См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе.


Источник — «http://www.machinelearning.ru/wiki/index.php?title=%D0%A0%D0%B0%D0%B7%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D1%80%D0%B0%D0%BD%D0%B3%D0%BE%D0%B2%D0%BE%D0%B9_%D1%80%D0%B5%D0%B3%D1%80%D0%B5%D1%81%D1%81%D0%B8%D0%B8_%D0%B4%D0%BB%D1%8F_%D0%BA%D1%80%D0%B5%D0%B4%D0%B8%D1%82%D0%BD%D0%BE%D0%B3%D0%BE_%D1%81%D0%BA%D0%BE%D1%80%D0%B8%D0%BD%D0%B3%D0%B0_%28%D0%BE%D1%82%D1%87%D0%B5%D1%82%29»
Личные инструменты