Оценка платежеспособности заемщика с помощью методов машинного обучения

В моей дипломной работе были проанализированы два наиболее распространенных алгоритма кредитного скоринга банков, использующихся для оценки платежеспособности заемщика: нейросетевой и логистической регрессии. На основе изученных теоретических материалов была выдвинута гипотеза о том, что метод нейронной сети является более эффективным, чем метод логистической регрессии. Мною было создано приложение на языке программирования PHP, реализующее оба этих метода для эмпирической проверки выдвинутой гипотезы. Данное приложение является универсальным бинарным классификатором и может применяться в разных классах задач, где требуется разделись респондентов на два класса, например, в медицине, геологии, компьютерном анализе и т.д. Кроме этого, в разработанной программе реализована возможность изменения подаваемой выборки. Оба алгоритма изначально “обучались” на тренировочных данных, которые представляют из себя кредитную историю заемщиков. В процессе обучения алгоритмы корректировались для достижения максимальной прогностической точности и минимизации времени работы. После обучения эффективность алгоритмов сравнивалась на результатах работы с тестовыми данными. Тестовые данные представляют из себя обезличенные набор кредитных историй респондентов, представленных по критериям. Результатом работы алгоритма являлись получение значения предсказательной точности алгоритма и времени его работы. В результате проверки было выявлено, что нейросетевой метод и метод логистической регрессии оценки платежеспособности заемщика имеют одинаковую предсказательную силу, но нейронная сеть выдает результат значительно быстрее, чем регрессионный метод. Данный вывод имеет большое практическое и теоретическое значения, так как при анализе и обработке большого объема данных скорость работы алгоритма имеет очень большое значение.