prikaz prve stranice dokumenta Određivanje kreditne sposobnosti klijenata korištenjem XGBoost algoritma
  Preuzmi
PDF 2.22 MB
diplomski rad
Određivanje kreditne sposobnosti klijenata korištenjem XGBoost algoritma
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. urn:nbn:hr:168:836716
Škugor, Josipa
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Škugor, J. (2024). Određivanje kreditne sposobnosti klijenata korištenjem XGBoost algoritma (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:836716

Škugor, Josipa. "Određivanje kreditne sposobnosti klijenata korištenjem XGBoost algoritma." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:836716

Škugor, Josipa. "Određivanje kreditne sposobnosti klijenata korištenjem XGBoost algoritma." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:836716

Škugor, J. (2024). 'Određivanje kreditne sposobnosti klijenata korištenjem XGBoost algoritma', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 01.04.2025., https://urn.nsk.hr/urn:nbn:hr:168:836716

Škugor J. Određivanje kreditne sposobnosti klijenata korištenjem XGBoost algoritma [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2024 [pristupljeno 01.04.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:836716

J. Škugor, "Određivanje kreditne sposobnosti klijenata korištenjem XGBoost algoritma", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:836716

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:836716
Podaci o radu
NaslovOdređivanje kreditne sposobnosti klijenata korištenjem XGBoost algoritma
Naslov (engleski)Determining credit default risk using the XGBoost algorithm
AutorJosipa Škugor
MentorMate Puljiz (mentor)
Član povjerenstvaMate Puljiz (predsjednik povjerenstva)
Član povjerenstvaTomislav Burić (član povjerenstva)
Član povjerenstvaDomagoj Vlah (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2024-09-18, Hrvatska
Sažetak
U ovom radu istražena je primjena XGBoost algoritma za klasifikaciju klijenata Home Credit tvrtke. Cilj istraživanja je bio razviti model koji klasificira klijente na temelju povijesnih podataka i ponašanja. Algoritam koristi podatke prikupljene iz bankarskih sustava i preuzete s Kaggle stranice. Podatci su analizirani i obrađeni kako bi se prilagodili za rad s modelom. Sve analize, obrada podataka, te razvoj i implementacija modela provedeni su korištenjem Python programskog jezika. XGBoost se... Više pokazao iznimno dobrim za rješavanje ovog problema te je treniranje samog modela, iako na velikom skupu podataka, provedeno brzo i efikasno zbog mogućnosti korištenja svih jezgri procesora. Rezultati su pokazali da bi korištenje XGBoost algoritma prilikom klasifikacije klijenata banke značajno unaprijedilo proces i olakšalo posao, a osobito u kombinaciji s još nekim dodatnim mehanizmima. Sakrij dio sažetka
Sažetak (engleski)
This study explores the application of the XGBoost algorithm for classifying clients of Home Credit organization. The goal of the research was to develop a model that classifies clients based on historical data and behavior. The algorithm utilizes data collected from banking systems and retrieved from Kaggle. The data were analyzed and processed to be suitably adapted for the model. All analyses, data processing, and the development and implementation of the model were carried out using the... Više Python programming language. XGBoost proved to be exceptionally effective in addressing this problem, with the model training -- despite working with a large dataset -- being performed quickly and efficiently due to its capability to utilize all processor cores. The results indicated that using the XGBoost algorithm for client classification would significantly enhance the process and facilitate the task, especially when combined with additional mechanisms. Sakrij dio sažetka
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:836716
Studijski programNaziv: Informacijska i komunikacijska tehnologija
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije (mag. ing. inf. et comm. techn.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2024-10-12 22:17:00
accessibility

closePristupačnostrefresh

Ako želite spremiti trajne postavke, kliknite Spremi, ako ne - vaše će se postavke poništiti kad zatvorite preglednik.