कोर्स समापन
Python में क्रेडिट रिस्क मॉडलिंग
Michael Crabtree
Data Scientist, Ford Motor Company
अब तक की आपकी यात्रा
मशीन लर्निंग मॉडलों के लिए क्रेडिट डेटा तैयार करें
- डेटा को समझना जरूरी है
- डेटा बेहतर होगा तो साधारण मॉडल भी अच्छा काम करेंगे
लॉजिस्टिक रिग्रेशन और ग्रेडिएंट बूस्टेड ट्री को विकसित करें, स्कोर करें, और समझें
डेटा बदलकर मॉडलों के प्रदर्शन का विश्लेषण करें
- परिणामों के वित्तीय प्रभाव को समझें
- रणनीति समझते हुए मॉडल लागू करें
रिस्क मॉडलिंग तकनीकें
इस कोर्स के मॉडल और फ्रेमवर्क:
- डिस्क्रीट-टाइम हैज़र्ड मॉडल (पॉइंट-इन-टाइम): डिफॉल्ट की प्रायिकता एक समय-बिंदु घटना है
- स्ट्रक्चरल मॉडल फ्रेमवर्क: मॉडल अन्य कारकों के आधार पर डिफॉल्ट घटना समझाता है
अन्य तकनीकें
- थ्रू-द-साइकल मॉडल (कॉन्टिन्युअस टाइम): मैक्रो-इकोनॉमिक स्थितियाँ और अन्य प्रभाव शामिल होते हैं, पर जोखिम को स्वतंत्र घटना माना जाता है
- रिड्यूस्ड-फॉर्म मॉडल फ्रेमवर्क: एक सांख्यिकीय तरीका, जिसमें डिफॉल्ट की प्रायिकता को स्वतंत्र Poisson-आधारित घटना के रूप में आँका जाता है
मॉडल चुनना
कई मशीन लर्निंग मॉडल उपलब्ध हैं, पर लॉजिस्टिक रिग्रेशन और ट्री मॉडल उपयोग किए गए
- ये मॉडल सरल और समझाने योग्य हैं
- प्रायिकताओं पर इनका प्रदर्शन स्वीकार्य है
कई वित्तीय सेक्टर मॉडल की व्याख्यायनीयता को प्राथमिकता देते हैं
- जटिल या "ब्लैक-बॉक्स" मॉडल जोखिम हैं क्योंकि बिजनेस अपने फैसलों को पूरी तरह समझा नहीं सकता
- डीप न्यूरल नेटवर्क अक्सर बहुत जटिल होते हैं
मेरे सुझाव आपके लिए
डेटा पर फोकस करें
- यथासंभव ज्यादा डेटा जुटाएँ
- डेटा तैयार करने और समृद्ध करने के कई तरीके अपनाएँ
- बिजनेस को समझें
- डेटा से वैल्यू बढ़ाएँ
मॉडल की जटिलता दोधारी तलवार हो सकती है
- बहुत जटिल मॉडल अच्छा प्रदर्शन कर सकते हैं, पर "ब्लैक-बॉक्स" लगते हैं
- कई बार बिजनेस यूज़र ऐसे मॉडल स्वीकार नहीं करेंगे जिन्हें वे समझ न सकें
- जटिल मॉडल बहुत बड़े हो सकते हैं और प्रोडक्शन में लगाना कठिन होता है
धन्यवाद!
Python में क्रेडिट रिस्क मॉडलिंग
