Модификация алгоритма случайного леса для кредитного скоринга и его сравнение с градиентным бустингом, случайным лесом и CART

Кредитный скоринг является одним из старейших приложений аналитики, c помощью которого финансовые учреждения оценивают кредитоспособность потенциальных заемщиков. На сей день создано множество методов оценки кредитоспособности, но создание новых моделей и совершенствование старых по-прежнему остается важней задачей, поскольку даже однопроцентное улучшение точности моделей кредитного скоринга может значительно увеличить прибыль финансовых учреждений. Таким образом, целью данной исследовательской работы является улучшение одной из известных моделей машинного обучения, называемой «Случайный лес», и в её сравнении с CART, Градиентным бустингом и оригинальным Случайным лесом на двух наборах скоринговых данных. Разработанная модель демонстрировала более плохие результаты, чем другие три модели в случае одного из набора данных, и более хорошие результаты, чем CART в случае другого. Таким образом, использование этой модели в этих определенных случаях является бессмысленным. Тем не менее, необходимо провести больше сравнений на других наборах данных, чтобы понять эффективность и осмысленность внедрении данной модели в области скоринга. В данной исследовательской работе также были сделаны некоторые предложения, касающиеся дальнейших исследований и улучшения нового алгоритма.