prikaz prve stranice dokumenta Procjena kreditnog rizika malih i srednjih poduzeća probranim metodama strojnog i dubokog učenja
  Preuzmi
PDF 31.04 MB
diplomski rad
Procjena kreditnog rizika malih i srednjih poduzeća probranim metodama strojnog i dubokog učenja
2022. urn:nbn:hr:126:197359
Krizmanić, Antonio
Sveučilište Josipa Jurja Strossmayera u Osijeku
Odjel za matematiku

Citirajte ovaj rad

Krizmanić, A. (2022). Procjena kreditnog rizika malih i srednjih poduzeća probranim metodama strojnog i dubokog učenja (Diplomski rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:126:197359

Krizmanić, Antonio. "Procjena kreditnog rizika malih i srednjih poduzeća probranim metodama strojnog i dubokog učenja." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, 2022. https://urn.nsk.hr/urn:nbn:hr:126:197359

Krizmanić, Antonio. "Procjena kreditnog rizika malih i srednjih poduzeća probranim metodama strojnog i dubokog učenja." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, 2022. https://urn.nsk.hr/urn:nbn:hr:126:197359

Krizmanić, A. (2022). 'Procjena kreditnog rizika malih i srednjih poduzeća probranim metodama strojnog i dubokog učenja', Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, citirano: 26.12.2024., https://urn.nsk.hr/urn:nbn:hr:126:197359

Krizmanić A. Procjena kreditnog rizika malih i srednjih poduzeća probranim metodama strojnog i dubokog učenja [Diplomski rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku; 2022 [pristupljeno 26.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:126:197359

A. Krizmanić, "Procjena kreditnog rizika malih i srednjih poduzeća probranim metodama strojnog i dubokog učenja", Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, Osijek, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:126:197359

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:126:197359
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovProcjena kreditnog rizika malih i srednjih poduzeća probranim metodama strojnog i dubokog učenja
Naslov (engleski)Credit Risk Assessment for SMEs Using Machine and Deep Learning Methods
AutorAntonio Krizmanić
MentorNataša Šarlija (mentor)
MentorSlobodan Jelić (komentor)
Član povjerenstvaDomagoj Matijević (predsjednik povjerenstva)
Član povjerenstvaNataša Šarlija (član povjerenstva)
Član povjerenstvaDomagoj Ševerdija (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Josipa Jurja Strossmayera u Osijeku
Odjel za matematiku
Osijek
Datum i država obrane2022-09-27, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Teorija vjerojatnosti i statistika
Sažetak
Cilj istraživanja bilo je usporediti performanse CART metode, metode slučajne šume, metode ekstremnog podizanja gradijenta te metode višeslojnog perceptrona u procjeni kreditnoga rizika za iz javnih baza podataka uzorkovana mala i srednja poduzeća s područja Republike Hrvatske. Istraživanje je provedena u tri faze: između skupova najboljih 1% predstavnika svake metode te izmedu pojedinačnih najboljih predstavnika metoda prije i poslije selekcije relevantnih pokazatelja SFFS algoritmom. Hijerarhija kvalitete predstavnika unutar četiriju familija metoda utvrđena je algoritmom pretrage mreže hiperparametara. Zabilježena je dominacija ansambla modela nad pojedinačnim modelima pri čemu je, generalno govoreći, XGBoost postigao najbolje rezultate, praćen slučajnom šumom, perceptronom te, na posljetku, klasifikacijskim stablom. Istraživanje valja proširiti dodatnim metodama (LR, SVM), složenijim metodama dubokog učenja (CNN, RNN, TabNet) te ga obogatiti većim skupom jedinki opisanih većim brojem pokazatelja.
Sažetak (engleski)
The objective of the research was to compare the performances of the CART, random forest, extreme gradient boosting and multilayer perceptron methods in credit risk assessment for small and medium-sized enterprises sampled from public databases in the Republic of Croatia. We conducted the research in three phases: between the 1% of the best representatives of each method and between the individual best representatives of the methods before and after selecting correspondent relevant features using the SFFS algorithm. The hierarchy of the quality of the representatives within the four families of methods was established by the hyperparameter grid search algorithm. We noted a trend of ensemble methods dominating individual models, with XGBoost achieving the best results in general, followed by random forest, perceptron and, finally, the classification tree. The research should be expanded with additional methods (LR, SVM), more complex deep learning methods (CNN, RNN, TabNet) and enriched with a greater set of individuals described by a greater number of indicators.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:126:197359
Studijski programNaziv: Matematika; smjerovi: Financijska matematika i statistika, Matematika i računarstvo, Industrijska i primijenjena matematika
Smjer: Financijska matematika i statistika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra matematike (mag.math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2022-09-29 06:42:22