prikaz prve stranice dokumenta Klasifikacija kreditne sposobnosti modelom logističke regresije: problem nebalansiranih kategorija
  Download
PDF 2.39 MB
master's thesis
Klasifikacija kreditne sposobnosti modelom logističke regresije: problem nebalansiranih kategorija
Zagreb: University of Zagreb, Faculty of Science, 2024. urn:nbn:hr:217:667860
Akmačić, Dora
University of Zagreb
Faculty of Science
Department of Mathematics

Institutional repository: Repository of the Faculty of Science

Cite this document

Akmačić, D. (2024). Klasifikacija kreditne sposobnosti modelom logističke regresije: problem nebalansiranih kategorija (Master's thesis). Zagreb: University of Zagreb, Faculty of Science. Retrieved from https://urn.nsk.hr/urn:nbn:hr:217:667860

Akmačić, Dora. "Klasifikacija kreditne sposobnosti modelom logističke regresije: problem nebalansiranih kategorija." Master's thesis, University of Zagreb, Faculty of Science, 2024. https://urn.nsk.hr/urn:nbn:hr:217:667860

Akmačić, Dora. "Klasifikacija kreditne sposobnosti modelom logističke regresije: problem nebalansiranih kategorija." Master's thesis, University of Zagreb, Faculty of Science, 2024. https://urn.nsk.hr/urn:nbn:hr:217:667860

Akmačić, D. (2024). 'Klasifikacija kreditne sposobnosti modelom logističke regresije: problem nebalansiranih kategorija', Master's thesis, University of Zagreb, Faculty of Science, accessed 22 November 2024, https://urn.nsk.hr/urn:nbn:hr:217:667860

Akmačić D. Klasifikacija kreditne sposobnosti modelom logističke regresije: problem nebalansiranih kategorija [Master's thesis]. Zagreb: University of Zagreb, Faculty of Science; 2024 [cited 2024 November 22] Available at: https://urn.nsk.hr/urn:nbn:hr:217:667860

D. Akmačić, "Klasifikacija kreditne sposobnosti modelom logističke regresije: problem nebalansiranih kategorija", Master's thesis, University of Zagreb, Faculty of Science, Zagreb, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:217:667860

Metadata
TitleKlasifikacija kreditne sposobnosti modelom logističke regresije: problem nebalansiranih kategorija
Title (english)Classification of credit score by logistic regression model: the problem of unbalanced categories
AuthorDora Akmačić
MentorSnježana Lubura Strunjak (mentor)
Committee memberSnježana Lubura Strunjak (predsjednik povjerenstva)
Committee memberPetra Posedel Šimović (član povjerenstva)
Committee memberNikola Sandrić (član povjerenstva)
Committee memberIgor Ciganović (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Science
(Department of Mathematics)
Zagreb
Defense date and country2024-07-17, Croatia
Scientific / art field,
discipline and subdiscipline		NATURAL SCIENCES
Mathematics
Abstract
Cilj ovog rada je klasificirati kreditnu sposobnost modelom logističke regresije. U prvom poglavlju obrađeni su najvažniji pojmovi potrebni za razumijevanje logističke regresije. Prvo je objašnjeno kako se može definirati logistička regresija pomoću generaliziranih linearnih modela i koja je uloga funkcije veze logit. Zatim je dano objašnjenje kako se metodom maksimalne vjerodostojnosti procjenjuju parametri modela. Takoder, dani su najvažniji rezultati i testovi koji se koriste prilikom prilagodbe modela podacima. Drugo poglavlje bazirano je na primjeni logističke regresije za klasifikaciju klijenata koji su kreditno sposobni i onih koji nisu. Nakon analize i čišćenja podataka u deskriptivnoj statistici, testirana je značajnost nezavisnih varijabli modela. Nakon odabira modela, dane su metrike kojima se ispitala točnost predikcija modela. Treće poglavlje uzima u obzir da podaci imaju problem nebalansiranih kategorija. Iz tog razloga uveden je algoritam SMOTE kao pomoćni alat koji smanjuje razliku izmedu broja opažanja dviju klasa. Na kraju se usporeduju rezultati sa i bez SMOTE-a.
Abstract (english)
The aim of this thesis is credit score classification using a logistic regression model. In the first chapter, the key concepts necessary for understanding logistic regression are covered. First, it explains how logistic regression can be defined using generalized linear models and the role of the logit link function. Then, an explanation is given of how the parameters of the model are estimated using the maximum likelihood method. Additionally, the most important results and tests used for the goodness of fit of the model to the data are presented. The second chapter focuses on applying logistic regression for credit score classification. After analyzing and cleaning the data in descriptive statistics, the significance of the independent variables in the model is tested. Following the model selection, metrics are provided to evaluate the performance of the model’s predictions. The third chapter addresses the issue of imbalanced data. For this reason, the SMOTE algorithm is introduced as an auxiliary tool to reduce the difference between the number of observations of the two classes. Finally, the results with and without the use of SMOTE are compared.
Keywords
Languagecroatian
URN:NBNurn:nbn:hr:217:667860
Study programmeTitle: Financial and Business Mathematics
Study programme type: university
Study level: graduate
Academic / professional title: sveučilišni magistar matematike (sveučilišni magistar matematike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2024-07-24 10:21:58