ГРАДИЕНТНЫЙ БУСТИНГ В СИСТЕМАХ КРЕДИТНОГО СКОРИНГА: СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ XGBOOST, LIGHTGBM И CATBOOST

М.И. Шухратова

doi:10.5281/zenodo.20773015

Mualliflar

Шухратова М.И. PhD в ТГУЭ

Annotatsiya

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.

ГРАДИЕНТНЫЙ БУСТИНГ В СИСТЕМАХ КРЕДИТНОГО СКОРИНГА: СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ XGBOOST, LIGHTGBM И CATBOOST

Mualliflar

Annotatsiya

Iqtiboslar

Yuklab olishlar

Nashr qilingan

Son

Boʻlim

Litsenziya

Iqtibos keltirish tartibi

Nashriyot

Aloqa

Havolalar