ارزیابی ریسک اعتباری در بانک ها با استفاده از مدل های رگرسیون لجستیک

هدف این تحقیق، ارزیابی ریسک اعتباری بانکها با استفاده از دو مدل یادگیری ماشینی رگرسیون لجستیک و جنگل تصادفی است.با توجه به اهمیت ریسک اعتباری و تاثیر آن بر عملکرد بانکها، مدل های مختلفی برای پیش بینی وضعیت وام ها مورد بررسی قرار گرفته است. ابتدا، داده ها از فایل CSV خوانده شده و پیش پردازش اولیه شامل حذف مقادیر گمشده و تبدیل متغیرهای طبقه بندی به قالب عددی انجام شده است. سپس داده ها به دو مجموعه آموزشی و آزمایشی تقسیم و مدلها آموزش داده شدند. برای ارزیابی عملکرد مدلها، از ماتریس سردرگمی و منحنی های ROC استفاده شده است. نتایج نشان می دهند که مدل جنگل تصادفی با دقت کلی ۹۳ درصد و دقت بالا در شناسایی وام های پیش فرض ۹۵ درصد، عملکرد بهتری نسبت به رگرسیون لجستیک دارد. همچنین، امتیاز F۱، مدل جنگل تصادفی تعادل بهتری میان دقت و Recallنشان می دهد. پیشنهاد می شود که برای بهبود بیشتر، تکنیک های بهینه سازی مدل و استفاده از الگوریتم های پیشرفته تر مورد بررسی قرار گیرند.

کلیدواژه ها:

ارزیابی ریسک اعتباری ، یادگیری ماشین ، رگرسیون لجستیک ، جنگل تصادفی