ক্রেডিট স্কোরিং সম্পর্কিত ভাল বই / কাগজপত্র


11

আমি ক্রেডিট স্কোরিং সম্পর্কিত বইগুলির পুনঃসংশোধন খুঁজছি। আমি এই সমস্যার সব দিক সম্পর্কে আগ্রহী, তবে বেশিরভাগ ক্ষেত্রে: 1) ভাল বৈশিষ্ট্যগুলি। এগুলি কীভাবে তৈরি করবেন? কোনটি ভাল প্রমাণিত হয়েছে? 2) নিউরাল নেটওয়ার্কগুলি। ক্রেডিট স্কোরিং সমস্যাটিতে তাদের অ্যাপ্লিকেশন। 3) আমি নিউরাল নেটওয়ার্কগুলি বেছে নিয়েছি, তবে আমি অন্যান্য পদ্ধতিতেও আগ্রহী।


উত্তর:


6

আপনি যদি স্কোরিং বিশ্বে নতুন হন তবে আপনার প্রথম বইটি এসএএস ব্যবহার করে ক্রেডিট স্কোরিংয়ের বিষয়ে নাeম সিদ্দিকীর হওয়া উচিত। আপনি যদি ক্লাস না নেন তবে এর জন্য যান। ক্লাসের মূল ফোকাস হ'ল লক্ষ লক্ষ ডলারে এসএএস এন্টারপ্রাইজ মাইনারকে স্কোর করা ও বিক্রয় সম্পর্কে সামগ্রিক বোঝা।

আপনার যদি তত্ত্বের প্রয়োজন হয় তবে আপনার কাছাকাছি বিশ্ববিদ্যালয় থেকে একটি বিভাগীয় ডেটা বিশ্লেষণ এবং ডেটা মাইনিং ক্লাসের প্রয়োজন। এমনকি এই ক্লাসগুলি নেওয়ার পরেও আপনার সাহায্যের প্রয়োজন হবে।

বর্তমানে ব্যবহৃত সর্বাধিক জনপ্রিয় কৌশলগুলি

  1. পণ্য সরবরাহ সংশ্লেষণ
  2. নিউরাল নেটওয়ার্ক
  3. ভেক্টর মেশিন এবং
  4. এলোমেলো বন

ক্লাস্টারিং, বৈষম্যমূলক বিশ্লেষণ, ফ্যাক্টর বিশ্লেষণ, প্রধান উপাদানগুলিও পাশাপাশি আবশ্যক।

এলিজাবেথ মাইস দ্বারা ক্রেডিট স্কোরিং আপনাকে একটি ভাল ওভারভিউ দেবে।

আমি এসএএস ইনস্টিটিউট দ্বারা ক্রেডিট রিস্ক মডেলিং ক্লাসও নিয়েছি, যা আমাকে একটু সাহায্য করেছিল। এটি একটি অবিরাম শেখার প্রক্রিয়া এবং এটি কখনও হয় নি।

বায়েশীয় লোকেরাও তাদের পদ্ধতিগুলি পছন্দ করে।

সম্পাদন করা

আমি উল্লেখ করতে ভুলে গেছি। লজিস্টিক রিগ্রেশন সর্বাধিক জনপ্রিয় প্রযুক্তিতে রয়েছে এবং ব্যাঙ্কগুলি সর্বদা এটি ব্যবহার করা চালিয়ে যাবে। উচ্চতর ব্যবস্থাপনার লোকদের কাছে অন্যান্য পদ্ধতিগুলি বিক্রয় করা খুব কঠিন, যদি না আপনার ব্যাংক এই পদ্ধতিগুলি বোঝার বিষয়ে কম যত্ন নিতে আগ্রহী না হন এবং তাদের ফোকাসটি গ্রহণ এবং অর্থোপার্জনের ঝুঁকি থেকে যায়।


ধন্যবাদ! আমি স্পষ্ট করতে যাচ্ছি: আমি একটি অনলাইন প্রতিযোগিতায় অংশ নিচ্ছি, যেখানে সম্ভাব্যতার কোনও loanণদানকারীর ডিফল্ট সম্ভাবনা পূর্বাভাস দেওয়া। সুতরাং 1) আমি যে কোনও পদ্ধতি পছন্দ করতে পছন্দ করি free প্রতিযোগিতাটি 2 সপ্তাহের মধ্যে শেষ হয়, 2) আমার কাছে বিস্তৃত শেখার জন্য বেশি সময় নেই। এবং 3) প্রদত্ত ডেটা হ'ল পূর্ববর্তী ক্রেডিটগুলিতে ক্রেডিট বিরিয়াসের কাঁচা প্রতিক্রিয়া, সুতরাং আমি এই ডেটা থেকে স্পষ্টতই নয় এমন বৈশিষ্ট্যগুলি সন্ধান করতে আগ্রহী।
Nya

এছাড়াও, আপনার প্রতিক্রিয়া জন্য আপনাকে ধন্যবাদ, আমি অবশ্যই আপনার উল্লেখ দেখুন।
Nya

1
কী সেই প্রতিযোগিতা? আমি জানতে পারি?
xiaodai

6

আমি ক্রেডিট স্কোরিং ক্ষেত্রে কাজ করি। যদিও আমি বিভিন্ন পদ্ধতির অন্বেষণ করতে পছন্দ করি তবে আমি দেখতে পেলাম যে লজিস্টিক রিগ্রেশনটি সর্বোত্তম পদ্ধতির না হলে প্রায়শই যথেষ্ট ভাল। আমি বিষয়টির সর্বাধিক সাম্প্রতিক কাগজপত্রগুলি জরিপ করি নি তবে বেশিরভাগ কাগজে স্মৃতি থেকে আপনি দেখতে পাবেন যে নিউরাল জাল মডেল হিসাবে অন্যান্য পন্থাগুলি সাধারণত ভবিষ্যদ্বাণীমূলক শক্তির (যেমন জিআইএনআই এবং এআর দ্বারা পরিমাপ করা হয়) পদক্ষেপে উল্লেখযোগ্য লিফট সরবরাহ করে না। এছাড়াও এই মডেলগুলি একজন সাধারণ লোকের কাছে বোঝার জন্য অনেক বেশি শক্ত হয়ে থাকে (প্রায়শই সিনিয়র এক্সিকিউটিভদের পরিসংখ্যানগুলিতে ব্যাকগ্রাউন্ড থাকে না), এবং লজিস্টিক রিগ্রেশন ব্যবহার করে স্কোরকার্ড পদ্ধতির মডেলগুলি ব্যাখ্যা করার পক্ষে সবচেয়ে সহজ প্রস্তাব দেয় বলে মনে হয়। সত্য, বেশিরভাগ স্কোরকার্ডগুলি ইন্টারঅ্যাকশনগুলিকে বিবেচনা করে না,

এটি বলার পরেও, সম্প্রতি বেঁচে থাকার বিশ্লেষণ কৌশলগুলি ব্যবহার করে স্কোরকার্ড তৈরির ক্ষেত্রে কিছু আগ্রহ তৈরি হয়েছে কারণ এটি লজিস্টিক রিগ্রেশনটির তুলনায় কয়েকটি সুবিধা রাখে। যথা, আমরা আরও সহজে ম্যাক্রো অর্থনৈতিক কারণগুলিকে মডেলটিতে অন্তর্ভুক্ত করতে পারি, আমরা কমপক্ষে 12 মাস আগে ডেটার উপর নির্ভর করার পরিবর্তে মডেল বিল্ডে আরও সাম্প্রতিক ডেটা ব্যবহার করতে পারি (যেমন লজিস্টিকসে বাইনারি সূচকটি সাধারণত ডিফল্ট হিসাবে সংজ্ঞায়িত হয় পরবর্তী 12 মাস)। সে ক্ষেত্রে আমার থিসিসটি আরেকটি দৃষ্টিভঙ্গির প্রস্তাব দিতে পারে যে এটি বেঁচে থাকার বিশ্লেষণ ব্যবহার করে ক্রেডিট স্কোরকার্ডগুলি তৈরির অন্বেষণ করে। আমি দেখিয়েছি কীভাবে বেঁচে থাকার বিশ্লেষণের স্কোরকার্ডগুলি লজিস্টিক রিগ্রেশন স্কোরকার্ডের মতো একই "চেহারা এবং অনুভব" করে, তাই তারা খুব বেশি সমস্যা সৃষ্টি না করেই পরিচয় করিয়ে দেওয়া যেতে পারে।

আমার থিসিসে আমি এবিবিএ অ্যালগরিদমকেও বর্ণনা করেছি যা বিনিং ভেরিয়েবলগুলির এক অভিনব দৃষ্টিভঙ্গি।

https://www.google.com.sg/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&ved=0CDAQFjAA&url=http%3A%2F%2Fftpmirror.your.org%2Fpub%2Fwikimedia%2Fimages% 2Fwikipedia% 2Fcommons% 2F2% 2F2f% 2FAbout_Time: _-: _ Building_Credit_Scorecards_with_Survival_Analysis.pdf & ই আমি = 8D8MUorrJs2Trgf56YCwCQ & USG = AFQjCNGxWRH1naJS4UqH_ckwzTx3GsaP8g & sig2 = kcEvjUUcn_wT93igxpYYDA & bvm = bv.50768961, d.bmk

আপডেট: আমার থিসিসটি কোনও ভাল কিনা তা নিয়ে আমি কোনও দাবি করি না। এটি ক্ষেত্রের একজন চিকিত্সকের কাছ থেকে অন্য দৃষ্টিভঙ্গি।


1
এটি প্রশ্নের উপর দৃষ্টি নিবদ্ধ করা বলে মনে হচ্ছে না। আপনার কংক্রিট পরামর্শটি "আমার থিসিসটি পড়ুন"। আমি এটি পড়িনি এবং এটি মূল্যায়নের জন্য যোগ্য নই, তবে এটি কোনও বই বা একটি প্রকাশিত কাগজ হিসাবে যোগ্যতা অর্জন করে না।
নিক কক্স

4
@ নিক প্রশ্নটি "অন্যান্য পদ্ধতিগুলির" জন্য জিজ্ঞাসা করে যা এই উত্তরটি সম্বোধন করে। অনেক লোক ডাউনলোড করার জন্য একটি লিঙ্কটিকে দরকারী বলে উপযুক্ত মনে করে, কেবলমাত্র উল্লেখের চেয়ে আরও বেশি। একজন বেনামী ফ্ল্যাগারের কাছে: নিজের কাজের লিঙ্ক সরবরাহ করা কোনও স্প্যাম নয়। আমরা এখানে গবেষক এবং অন্যান্য উদ্ভাবকদের স্বাগত জানাই এবং তারা তাদের নিজস্ব অবদানের কথা কখনও উল্লেখ না করে আমাদের প্রয়োজনীয়তার জন্য তাদের দক্ষতা সীমাবদ্ধ করতে চাই না!
whuber

3
আমি @ whuber এর বক্তব্য গ্রহণ করি আমি দৃ strongly়ভাবে একমত যে কারও নিজের কাজের উদ্ধৃতি যথাযথ। জিয়াওদাই: আমি আপডেটটি সরিয়ে ফেলতাম। আপনার পোস্টের পুরো বিষয়টিটি হ'ল আপনার থিসিসটি পড়ার মতো হতে পারে। আপনি যদি এটি না ভেবে থাকেন তবে আপনি পোস্ট করবেন না। স্বতন্ত্রতা বা বিনয়ের একটি নোট যোগ করার প্রয়োজন হয় না।
নিক কক্স

3
  • আমি অতীতে ডি শর্মা দ্বারা আর-তে ক্রেডিট স্কোরিং-এর নির্দেশনা উল্লেখ করেছি এবং এটি লজিস্টিক রিগ্রেশন এবং ট্রি ভিত্তিক পদ্ধতি সহ পদ্ধতির বিষয়ে একটি ভাল প্রারম্ভিক উল্লেখ
  • উপরের গাইডটি জার্মান ক্রেডিট ডেটা ব্যবহার করে যার বৈশিষ্ট্যগুলির সমৃদ্ধ সেট রয়েছে। আপনি যদি ডেটাসেটের সন্ধান করেন তবে আপনি অন্যান্য বিকল্প পন্থা, বিশ্লেষণ এবং তুলনা পাবেন যা আপনার ডেটাসেটের জন্য বৈশিষ্ট্য নির্বাচন এবং মডেল পছন্দকে অবহিত করতে সহায়তা করতে পারে
  • নিউরাল নেটওয়ার্কগুলি এটি হিসাবে বাইনারি শ্রেণিবদ্ধকরণ সমস্যার জন্য উপযুক্ত পছন্দ। বাস্তব বিশ্বে, ক্রেডিট স্কোরিং মডেলও কেন loanণের আবেদন (বলে) প্রত্যাখ্যান করা হয়েছিল তার কারণ প্রদান করবে বলে আশা করা যায়। সুতরাং এটি এমন একটি মডেল রাখতে সহায়তা করে যেখানে আপনি কারও creditণের ইতিহাসের বৈশিষ্ট্যগুলি ক্রেডিটের কম স্কোরের ফলে চিহ্নিত করতে পারে এবং কোনও অ্যাপ্লিকেশন অস্বীকার করার কারণ হতে পারে। স্নায়ুবিক নেটওয়ার্কগুলির তুলনায় রিগ্রেশন এবং ট্রি ভিত্তিক পদ্ধতির বৈশিষ্ট্যগুলি ব্যাখ্যা করা আরও সহজ। আপনি যদি খাঁটি ফিটের সাথে মূল্যায়ন করেন তবে এনএন চেষ্টা করার মতো
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.