Comparación de un método clásico (logit) y dos con técnicas de boosting (adaboost, gradient boosting) para la clasificación crediticia en una entidad financiera ecuatoriana.

Quizhpi Sánchez, Edison Javier

Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/24654

Título:	Comparación de un método clásico (logit) y dos con técnicas de boosting (adaboost, gradient boosting) para la clasificación crediticia en una entidad financiera ecuatoriana.
Autor:	Quizhpi Sánchez, Edison Javier
Palabras clave:	MATEMÁTICAS REGRESIÓN LOGÍSTICA ADABOOST GRADIENT BOOSTING SCORING MODELACIÓN ESTADÍSTICOS CLIENTE BUENO CLIENTE MALO ÁRBOLES DE DECISIÓN
Fecha de publicación:	abr-2023
Editorial:	Quito : EPN, 2023.
Citación:	Quizhpi Sánchez, E.J. (2023). Comparación de un método clásico (logit) y dos con técnicas de boosting (adaboost, gradient boosting) para la clasificación crediticia en una entidad financiera ecuatoriana. 87 páginas. Quito : EPN.
Resumen:	In this research project, referees of three classification methods: logistic regression, adaboost and gradient boosting. In the credit scoring modeling process is based on a data provided by a financial institution in Ecuador dedicated a credit portfolio of unknown size. The three developed models were built with R and Answer Tree v3.0 programs. Once established, was compared its predictive ability and classify clients classified as good and bad. Model performances were calculated for the Area Under Receiver Operator Characteristic Curve (AUC-ROC), Kolmogorov-Smirnov (KS) and Gini statistics. the error and success rate of each model were evaluated.
Descripción:	En este proyecto de investigación se evalúa el comportamiento de tres métodos de clasificación, regresión logística, adaboost y gradient boosting en el proceso de modelización del credit scoring con base en un conjunto de datos suministrado por una institución financiera de Ecuador consistente en una cartera de crédito de tamaño desconocido. Los tres modelos desarrollados fueron construidos con los programas R y Answer Tree v3.0. Una vez establecidos, se comparó su capacidad de predicción y clasificación de clientes catalogados como buenos y malos. Para la evaluación del desempeño de los modelos, se calcularon los estadísticos Area Under Receiver Operator Characteristic Curve (AUCROC), Kolmogorov-Smirnov (KS) y Gini, y se evaluó el error y la tasa de aciertos de cada modelo.
URI:	http://bibdigital.epn.edu.ec/handle/15000/24654
Tipo:	bachelorThesis
Aparece en las colecciones:	Tesis Matemáticas (MAT)

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
CD 13449.pdf		897,66 kB	Adobe PDF	Visualizar/Abrir

Muestra el registro Dublin Core completo del ítem

BIBDIGITAL