Участник:Mshvets
Материал из MachineLearning.
| Строка 1: | Строка 1: | ||
| - | <big>Швец Михаил Юрьевич</big | + | __NOTOC__ |
| - | + | <big>Швец Михаил Юрьевич</big> | |
| - | + | ||
| - | Интересующие меня статьи | + | '''МФТИ, ФУПМ''' |
| + | |||
| + | Кафедра "'''Интеллектуальные системы'''" | ||
| + | |||
| + | 174 группа | ||
| + | |||
| + | Mailto: mikhail.shvets@phystech.edu | ||
| + | |||
| + | ==Текущая работа== | ||
| + | '''Интерпретация мультимоделей при обработке социологических данных''' | ||
| + | |||
| + | Задача кредитного скоринга заключается в определении уровня кредитоспособности заемщика, подавшего заявку на кредит. Для этого используется анкета заемщика, содержащая как числовые данные (возраст, доход, время проживания в стране), так и категориальные признаки (пол, профессия). Требуется, имея историческую информацию о возвратах кредитов другими заемщиками, определить, вернет ли кредит рассматриваемый клиент. Таким образом, требуется решить задачу классификации. Так как данные могут быть разнородными (например, в случае наличия в стране разных регионов по доходу), данные могут описываться не одной, а несколькими моделями. В данной работе предлагается сравнить два метода построения мультимоделей: смеси логистических моделей и градиентный бустинг. | ||
| + | |||
| + | ==Интересующие меня статьи== | ||
* [[Бустинг]], [[Алгоритм AdaBoost]] | * [[Бустинг]], [[Алгоритм AdaBoost]] | ||
* [[Логистическая_регрессия]] | * [[Логистическая_регрессия]] | ||
Текущая версия
Швец Михаил Юрьевич
МФТИ, ФУПМ
Кафедра "Интеллектуальные системы"
174 группа
Mailto: mikhail.shvets@phystech.edu
Текущая работа
Интерпретация мультимоделей при обработке социологических данных
Задача кредитного скоринга заключается в определении уровня кредитоспособности заемщика, подавшего заявку на кредит. Для этого используется анкета заемщика, содержащая как числовые данные (возраст, доход, время проживания в стране), так и категориальные признаки (пол, профессия). Требуется, имея историческую информацию о возвратах кредитов другими заемщиками, определить, вернет ли кредит рассматриваемый клиент. Таким образом, требуется решить задачу классификации. Так как данные могут быть разнородными (например, в случае наличия в стране разных регионов по доходу), данные могут описываться не одной, а несколькими моделями. В данной работе предлагается сравнить два метода построения мультимоделей: смеси логистических моделей и градиентный бустинг.
