| dc.contributor.advisor | Sotiropoulos, Dionisios | |
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Vellos, Georgios | |
| dc.contributor.author | Βέλλος, Γεώργιος | |
| dc.date.accessioned | 2025-07-23T10:36:07Z | |
| dc.date.available | 2025-07-23T10:36:07Z | |
| dc.date.issued | 2025-06 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18010 | |
| dc.description | Not available until 31/12/2028 | |
| dc.description.abstract | Από την απαρχή της οικονομίας, ο πιστωτικός κίνδυνος αποτέλεσε αντικείμενο μελέτης τόσο για ερευνητές όσο και για οικονομικούς αναλυτές. Η αξιολόγηση πιστοληπτικής ικανότητας είναι μία από τις πιο κρίσιμες διαδικασίες στον χρηματοοικονομικό τομέα, καθώς βοηθά τις τράπεζες και τα χρηματοπιστωτικά ιδρύματα να λαμβάνουν καλύτερες αποφάσεις. Η πρόκληση εντοπίζεται στην επιλογή των χαρακτηριστικών που θα καταστήσουν την απόφαση πιο ακριβή. Η παρούσα μελέτη προτείνει μια προσέγγιση επιλογής χαρακτηριστικών χρησιμοποιώντας έναν γενετικό αλγόριθμο βασισμένο στο Information Gain, με στόχο τη βελτίωση της απόδοσης της ταξινόμησης. Ο γενετικός αλγόριθμος επιλέγει υποσύνολα χαρακτηριστικών μέσω Λογιστικής Παλινδρόμησης. Η επικύρωση της μεθόδου γίνεται στο σύνολο δεδομένων Home Credit Default Risk. Τα πειραματικά αποτελέσματα δείχνουν ότι η προτεινόμενη προσέγγιση επιλέγει αποτελεσματικά χαρακτηριστικά που βελτιώνουν την ακρίβεια ταξινόμησης. Η εργασία υποστηρίζει ότι οι εξελικτικοί αλγόριθμοι, σε συνδυασμό με μαθηματικά μέτρα, μπορούν να ενισχύσουν τα μοντέλα πρόβλεψης πιστωτικού κινδύνου και να οδηγήσουν σε καλύτερες αποφάσεις από τα χρηματοπιστωτικά ιδρύματα. | el |
| dc.format.extent | 34 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Machine learning algorithms for credit risk prediction | el |
| dc.title.alternative | Αλγόριθμοι μηχανικής μάθησης για την πρόβλεψη πιστωτικού ρίσκου | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | From the early start of the economy, credit risk has been study case for both researchers and financial experts. Financial credit scoring has been the most crucial process in the finance industry as it helps banks and financial institutions to make better decisions. The challenge arises in selecting the features that will make my decision better.
This study proposes a feature selection approach using a genetic algorithm based on the information gain to improve classification performance. The genetic algorithm chooses feature subsets trough Logistic Regression. The validation is applied to the Home Credit Default Risk dataset.
The experimental results demonstrates that the approach effectively selects features that improves the classification accuracy. The work suggests that evolutionary algorithms combined with mathematical measures can enhance credit risk prediction models and leads to better decision making in financial institutions. | el |
| dc.subject.keyword | Credit risk prediction | el |
| dc.subject.keyword | Genetic algorithm | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Predictive modeling | el |
| dc.subject.keyword | Classification performance | el |
| dc.subject.keyword | Feature selection | el |
| dc.date.defense | 2025-06 | |
