Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: ИТ. Наука. Креатив; Омск; Омск
Год издания: 2026
Ключевые слова: credit scoring, cluster analysis, factor analysis, Principal Component analysis, random forest, borrower segmentation, classification, credit risk assessment, кредитный скоринг, кластерный анализ, факторный анализ, метод главных компонент, случайный лес, сегментация заёмщиков, классификация, оценка кредитного риска
Аннотация: В данной работе решается задача оценки кредитоспособности заёмщиков на основе их социально-демографических, финансовых и поведенческих характеристик. Авторами предлагается комплексный подход к анализу кредитных данных, позволяющий сегментировать заёмщиков по уровню риска, выявлять скрытые факторы кредитоспособности и строить интерпПоказать полностьюретируемые прогнозные модели. Для решения поставленных задач применяются методы кластеризации (K-Means, DBSCAN, агломеративная), факторного анализа (метод главных компонент) и классификации (логистическая регрессия, дерево решений, случайный лес, метод опорных векторов). В работе решается практическая задача комплексного анализа кредитных данных на выборке из 95 реальных анкет клиентов банка. Разработан программный комплекс, реализующий полное решение поставленной задачи: от предобработки данных до построения и оценки моделей кластеризации и классификации. This paper solves the problem of assessing the creditworthiness of borrowers based on their socio-demographic, financial and behavioral characteristics. The authors propose a comprehensive approach to credit data analysis that allows borrowers to be segmented by risk level, identify hidden creditworthiness factors, and build interpretable predictive models. Clustering methods (K-Means, DBSCAN, agglomerative), factor analysis (principal component method) and classification are used to solve the tasks. (logistic regression, decision tree, random forest, support vector machine). The paper solves the practical problem of a comprehensive analysis of credit data based on a sample of 95 real questionnaires from bank customers. A software package has been developed that implements a complete solution to the task: from data preprocessing to building and evaluating clustering and classification models.
Журнал: ИТ. Наука. Креатив
Номера страниц: 145-152
Место издания: Омск