Analiza efektywności klasyfikacji kredytobiorców uzyskanej zagregowanymi drzewami klasyfikacyjnymi dla prób o różnej strukturze

• Autorzy: Mariola Chrzanowska , Dorota Witkowska

Warianty tytułu

Efficiency Analysis of the Borrowers Classification Obtained by Aggregated Classification Trees for Different Structure of Sample

• Języki publikacji: PL

Abstrakty

W pracy przedstawiono wyniki badań, których celem była ocena wpływu struktury próby na jakość dychotomicznej klasyfikacji kredytobiorców. Wykorzystano dane dotyczące spłaty 2576 kredytów hipotecznych zaciągniętych w jednym z banków działających w Polsce.

EN

In the paper we present the results of investigation that are conducted for the dichotomous classification of borrowers, employing actual data from the bank. For our research we construct several classification models applying ensemble classification. These models are built on the basis of 3 samples with different structure of credible and incredible clients. The first sample is symmetric (i.e. count of representatives of both groups is the same), the second one contains 9.4% incredible clients (as it was observed in Poland in the first two quarters of 2006), and the third sample contains 16% of noncreditworthy clients (as it was observed in the investigated bank). The aim of the investigation is to evaluate if different structure of the sample influences the quality of the classification. (original abstract)

Słowa kluczowe

PL

Kredyt; Kredyt hipoteczny; Drzewa klasyfikacyjne

EN

Credit; Mortgage credit; Classification trees

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2008
• Tom: 15
• Numer: nr 7 (1207) Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 232--239

Twórcy

autor

Mariola Chrzanowska

• Wyższa Szkoła Ekonomii i Administracji w Kielcach

autor

Dorota Witkowska

• Szkoła Główna Gospodarstwa Wiejskiego w Warszawie

Bibliografia

• Breiman L., Friedman J.H., Ohlsen R.A., Stone Ch.J. (1998), Classification and Regression Trees, CRC, Washington D.C.
• Breiman L. (1996), Bagging Predictors, „Machine Learning" nr 26, s. 123-140.
• Chmielewski, T, Głogowski A., Gołajewska M., Grodzicki M., Hałaj G., Imielska M., Kozak S., Zajączkowski S., Zochowski D. (2006), Przegląd stabilności systemu finansowego, I półrocze 2006, NBP, Warszawa.
• Chrzanowska M., Witkowska D. (2007), Drzewa klasyfikacyjne w rozpoznawaniu kredytobiorców „Metody ilościowe w badaniach ekonomicznych", Wydawnictwo SGGW, Warszawa, s. 291-300.
• Cutler A., Zhao G. (2001), PERT-Perfect Random Tree Ensembles, „Computing Science and Statistics", 33, /I2001 Proceedings/ ACutl er/ACutler.pdf.
• Dietterich G.T. (1999), An Experimental Comparison of Three Methods for Constructing Ensembles of Decision Trees: Bagging, Boosting and Randomization, „Machine Learning", s. 1-22.
• Freund Y., Schapire R.E. (1997), A Decision-theoretic Generalization of On-line Learning and an Application to Boosting „Journal of Computer and System Sciences", 55, s. 119-139.
• Gatnar E. (2001), Nieparametryczna metoda dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa.
• Gatnar E. (2002), Agregacja modeli dyskryminacyjnych, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 942, AE, Wrocław, s. 217-226.
• Gruszczyński M. (2001), Modele i prognozy zmiennych jakościowych w finansach i bankowości, Szkoła Główna Handlowa, Warszawa.
• Maddala G.S. (2006), Ekonometria, Wydawnictwo Naukowe PWN, Warszawa.
• Maddala, G.S. (1983), Limited-dependent and Qualitative Variables in Econometrics, „Econometric Society Monographs in Quantitative Economics" Cambridge University Press, Cambridge.
• Tian-Shyug L., Chih-Chou Chi., Yu-Chao Ch., Chi-Jie L. (2006), Mining the Customer Credit Using Classification and Regression Tree and Multivariate Adaptive Regression Splines, „Computational Statistics & Data Analysis" nr 50, s. 1113-1130.