Участник:Mshvets

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
 
(1 промежуточная версия не показана)
Строка 1: Строка 1:
-
<big>Швец Михаил Юрьевич</big> <br />
+
__NOTOC__
-
МФТИ, ФУПМ, 174 группа <br />
+
<big>Швец Михаил Юрьевич</big>
-
Mailto: mikhail.shvets@phystech.edu <br />
+
-
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]]

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.

Интересующие меня статьи

Личные инструменты