Podejście wielomodelowe analizy danych symbolicznych w ocenie zdolności kredytowej osób fizycznych

• Autorzy: Marcin Pełka

Warianty tytułu

Ensemble Learning for Symbolic Data in Individual Credit Scoring

• Języki publikacji: PL

Abstrakty

Ustawa prawo bankowe definiuje zdolność kredytową jako zdolność do spłaty zaciągniętego kredytu wraz z odsetkami w terminach określonych w umowie. Analiza i ocena zdolności kredytowej jest kluczowym zagadnieniem z punktu widzenia banku. W ocenie zdolności kredytowej istotne miejsce zajmują szeroko rozumiane metody analizy danych - w tym podejście wielomodelowe. Głównym celem artykułu jest zaprezentowanie zastosowania podejścia wielomodelowego danych symbolicznych w ocenie zdolności kredytowej osób fizycznych (na przykładzie dwóch zbiorów danych rzeczywistych) oraz porównanie wyników otrzymanych z zastosowaniem podejścia wielomodelowego z pojedynczym modelem oraz znaną przynależnością obiektów do klas. Otrzymane wyniki wskazują, że podejście wielomodelowe analizy danych symbolicznych może być użytecznym narzędziem w ocenie zdolności kredytowej osób fizycznych i pozwala otrzymać z reguły lepsze wyniki niż model pojedynczy(abstrakt oryginalny)

EN

Bank law defines credit ability as the ablitiy to repay credit and interest in terms that are in the credit agreement. Credit scoring is a key term for a bank. It should not be done only at the begininng but during the whole credit period. In credit scoring data analysis methods play a very important role. The main aim of the paper is to present the possibility of applying ensemble learning methods for symbolic data in credit scoring (on the basis of two real data sets). Results obtained from a single model are compared with the ensemble approach. The obtained results show that ensemble learning for symbolic data can be a useful tool for credit scoring and it allows to obtain better results than a single model(original abstract)

Słowa kluczowe

PL

Zdolność kredytowa; Analiza danych; Podejście wielomodelowe

EN

Credit capacity; Data analysis; Multiple-model approach

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2018
• Tom: 30
• Numer: nr 507 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 200--207

Twórcy

autor

Marcin Pełka

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Bock H.-H., Diday E. (eds.), 2000, Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from ComplexDdata, Springer Verlag, Berlin-Heidelberg.
• Billard L., Diday E., 2006, Symbolic Data Analysis. Conceptual Statistics and Data Mining, John Wiley & Sons, Chichester.
• Breiman L., 1996, Bagging predictors, Machine Learning, vol. 24, s. 123-140.
• Diday E., Noirhomme-Fraiture M., 2008, Symbolic Data Analysis. Conceptual Statistics and Data Mining, Wiley, Chichester.
• Dudek A., 2013, Metody analizy danych symbolicznych w badaniach ekonomicznych, Wyd. UE we Wrocławiu, Wrocław.
• Gatnar E., 2008, Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa.
• Gatnar E., Walesiak M. (red.), 2011, Analiza danych jakościowych i symbolicznych z wykorzystaniem programu R, C.H. Beck, Warszawa.
• Kolasa A., 2017, Sytuacja finansowa sektora gospodarstw domowych w I kw. 2017, Departament Analiz Ekonomicznych NBP, Warszawa, http://www.nbp.pl.
• Kotowicz A. (red.), 2017, Raport o sytuacji banków w I półroczu 2017, Urząd Komisji Nadzoru Finansowego, Warszawa, https://www.knf.gov.pl/publikacje_i_opracowania.
• Kuncheva L.I., 2004, Combining Pattern Classifiers. Methods and Algorithms, Wiley, New Jersey.
• Noirhomme-Fraiture M., Brito P., 2011, Far beyond the classical data models: Symbolic data analysis, Statistical Analysis and Data Mining, vol. 4, iss. 2, s. 157-170.
• Pełka M., 2015, Regresja logistyczna dla danych symbolicznych interwałowych, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Ekonometria, nr 2(48), s. 44-52.
• Ustawa z 29 sierpnia 1997 r. Prawo bankowe, Dz.U. nr 140, poz. 939 ze zm.
• Wójciak M., 2007, Metody oceny ryzyka kredytowego, PWE, Warszawa.

Identyfikatory

DOI

10.15611/pn.2018.507.20