Show simple item record

dc.contributor.authorКоляда, Юрій Васильовичuk
dc.contributor.authorKolada, Yuriyen
dc.contributor.authorКоляда, Юрий Васильевичru
dc.contributor.authorБондар, Володимир А.uk
dc.contributor.authorBondar, Volodymyren
dc.contributor.authorБондарь, Владимир А.ru
dc.date.accessioned2016-12-14T11:42:26Z
dc.date.available2016-12-14T11:42:26Z
dc.date.issued2016
dc.identifier.citationКоляда Ю. В. Біннінг у нейромережевих скорингових моделях / Ю. В. Коляда, В. А. Бондар // Нейро-нечіткі технології моделювання в економіці : наук.-анал. журн. / М-во освіти і науки України, ДВНЗ «Київ. нац. екон. ун-т ім. Вадима Гетьмана» ; редкол.: А. В. Матвійчук (голов. ред.) [та ін.]. – Київ : КНЕУ, 2016. – № 5. – С. 60–80.uk
dc.identifier.issn2306-3289
dc.identifier.urihttps://ir.kneu.edu.ua:443/handle/2010/20357
dc.description.abstractСтаття присвячена розробці методологічного підходу до категоризації вхідних показників економіко-математичних моделей оцінювання кредитоспроможності позичальників комерційних банків. Основою математичного інструментарію обрано нейронну мережу типу багатошаровий персептрон. Об’єктом дослідження є процес категоризації пояснюючих змінних скорингових моделей. Предметом дослідження є сукупність методів категоризації та способів оцінки їх впливу на точність моделі оцінювання ймовірності невиконання умов договору позичальником. У результаті проведених експериментальних досліджень у рамках запропонованого методологічного підходу було обґрунтовано здійснювати оптимізацію розбиття на категорії вхідних змінних моделі за рахунок максимізації значення коефіцієнта Джині як показника адекватності скорингових моделей. Було отримано висновок, що зниження показника інформаційної значущості не завжди виступає індикатором погіршення якості класифікатора. У статті також був розширений список рекомендацій щодо проведення біннінгу, який може бути використаний для побудови більш точних моделей оцінювання кредитоспроможності позичальників комерційних банків.uk
dc.description.abstractThe article is devoted to developing methodological approach of categorizing the input variables of economic and mathematical models of evaluating of creditworthiness of commercial banks’ borrowers. The basis of mathematical tools was chosen as the neural network of type of multilayer perception. The object of study is the process of categorizing the explanatory variables of scorinmodels. The subject of study is a set of methods of categorizing and approaches to evaluate their impact on the efficiency of the model of estimation of probability of borrower’s default under the contract. As a result of experimental studies within the confines of the proposed methodological approach it was decided to optimize the input of the variables partitioning into categories by maximizing the Gini coefficient as a measure of the adequacy of scoring models. A conclusion that a drop in the information value does not always act as an indicator of the deterioration of the classifier was obtained. In this article it has been expanded a list of recommendations for binning that may be used to build more accurate models of evaluating the creditworthiness of borrowers of commercial banks.en
dc.description.abstractСтатья посвящена разработке методологического подхода категоризации входных переменных экономико-математических моделей оценки кредитоспособности заемщиков коммерческих банков. Основой математического инструментария выбрана нейронная сеть типа многослойный персептрон. Объектом исследования является процесс категоризации влияющих факторов скоринговых моделей. Предметом исследования является совокупность методов категоризации и способов оценки их влияния на точность модели расчета вероятности невыполнения условий договора заемщиком. В результате проведенных экспериментальных исследований в рамках предложенного методологического подхода было обосновано проведение оптимизации разбиения на категории входных переменных модели за счет максимизации значения коэффициента Джини как показателя адекватности скоринговых моделей. Было получено заключение, что снижение показателя информационной значимости не всегда выступает индикатором ухудшения точности классификатора. В статье также был расширен список рекомендаций по проведению биннинга, который может быть использован для построения более эффективных моделей оценки кредитоспособности заемщиков коммерческих банков.ru
dc.language.isoukuk
dc.publisherДВНЗ «Київський національний університет імені Вадима Гетьмана»uk
dc.subjectвагомість ознаки (WOE)uk
dc.subjectінформаційна значущість (IV)uk
dc.subjectбіннінгuk
dc.subjectскорингова модельuk
dc.subjectнейронна мережаuk
dc.subjectweight of evidence (WOE)en
dc.subjectinformation value (IV)en
dc.subjectbinningen
dc.subjectscoring modelen
dc.subjectneural networken
dc.subjectвесомость признака (WOE)ru
dc.subjectинформационная значимость (IV)ru
dc.subjectбиннингru
dc.subjectскоринговая модельru
dc.subjectнейронная сетьru
dc.titleБіннінг у нейромережевих скорингових моделяхru
dc.title.alternativeBinning in neural network scoring modelsen
dc.title.alternativeБиннинг в нейросетевых скоринговых моделяхru
dc.typeArticleuk
dc.subject.udc004.622:519.86uk


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record