ГРАДИЕНТНЫЙ БУСТИНГ В СИСТЕМАХ КРЕДИТНОГО СКОРИНГА: СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ XGBOOST, LIGHTGBM И CATBOOST
;
https://doi.org/10.5281/zenodo.20773015Abstrak
Классические подходы к оценке кредитного риска, такие как логистическая регрессия и экспертные системы, базируются на ограниченном наборе финансовых показателей и не учитывают сложные нелинейные зависимости в данных. В современных условиях, характеризующихся ростом объемов разнородной информации (транзакционные данные, цифровой след клиентов, поведенческие характеристики), такие методы демонстрируют снижение прогностической способности. Машинное обучение (МО) предлагает принципиально иной подход к решению данной задачи. Алгоритмы, основанные на градиентном бустинге (XGBoost, LightGBM, CatBoost), а также нейронные сети (LSTM, GRU), позволяют эффективно обрабатывать большие массивы структурированных и неструктурированных данных.Iqtiboslar
Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. – Proceedings of the 22nd ACM SIGKDD. – 2016. – P. 785–794. DOI: 10.1145/2939672.2939785
Ke G. et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. – Advances in Neural Information Processing Systems. – 2017. – Vol. 30. – P. 3146–3154.
Prokhorenkova L. et al. CatBoost: Unbiased Boosting with Categorical Features. – NeurIPS. – 2018. – P. 6638–6648.
Lundberg S., Lee S.-I. A Unified Approach to Interpreting Model Predictions (SHAP). – NeurIPS. – 2017. – Vol. 30. – P. 4765–4774.
Siddiqi N. Intelligent Credit Scoring: Building and Implementing Better Credit Risk Scorecards. – Wiley. – 2017. – 324 p.
##submission.downloads##
Nashr qilingan
2026-06-20
Nashr
Bo'lim
Maqolalar
Litsenziya
##submission.copyrightStatement##
##submission.license.cc.by4.footer##Iqtibos keltirish tartibi
Шухратова, М. (2026). ГРАДИЕНТНЫЙ БУСТИНГ В СИСТЕМАХ КРЕДИТНОГО СКОРИНГА: СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ XGBOOST, LIGHTGBM И CATBOOST. Yosh Olimlar, 4(59), 153-154. https://doi.org/10.5281/zenodo.20773015
Article metrics
Views and PDF downloads
1
Views
0
Downloads
