Εφαρμογές πληροφορικής στην αξιολόγηση μεθόδων κατασκευής υποδειγμάτων εκτίμησης της πιστοληπτικής ικανότητας των υποψηφίων πιστούχων στον τομέα της λιανικής τραπεζικής

Abstract

Βασικός στόχος της παρούσας διατριβής είναι η μελέτη της μεθοδολογίας CS και της δυνατότητας υλοποίησής της στην πράξη με τη βοήθεια εφαρμογών πληροφορικών πακέτων. Στα πλαίσια του στόχου αυτού γίνεται μελέτη του θεωρητικού υποβάθρου της μεθοδολογίας CS και ανάλυση δεδομένων μέσω του πακέτου XLMiner και μέσω δημιουργηθέντων προτύπων (templates) λογισμικού. Στα πλαίσια, ειδικότερα, της ανάλυσης δεδομένων, γίνεται αξιολόγηση μεθόδων κατασκευής υποδειγμάτων CS, με ιδιαίτερη έμφαση στην αξιολόγηση της μεθόδου που είναι γνωστή ως Κανόνας του Απλού Bayes (Simple ή Naïve Bayes Rule-στο εξής: KAB), μέθοδος η οποία υποθέτει ότι οι χρησιμοποιούμενες μεταβλητές είναι ανεξάρτητες δεδομένης της κλάσης (independent given the class-στο εξής: ανεξάρτητες δτκ). Ο ΚΑΒ είναι η απλούστερη από τις μεθόδους που χρησιμοποιούνται ευρέως για την κατασκευή κανόνων ταξινόμησης, μια ιδιότητα η οποία πολύ συχνά αποτελεί σημαντικό κριτήριο για την επιλογή μιας μεθόδου στο πεδίο του CS. Στα πλαίσια των στόχων της διατριβής συγκρίνεται, επί τη βάσει πραγματικών δεδομένων που αφορούν 5340 πιστούχους μεγάλου ελληνικού τραπεζικού οργανισμού, η προβλεπτική ικανότητα (predictive ability) του ΚΑΒ με την προβλεπτική ικανότητα πέντε άλλων ευρέως χρησιμοποιούμενων μεθόδων κατασκευής κανόνων ταξινόμησης: της Γραμμικής Διαχωριστικής Ανάλυσης (Linear Discriminant Analysis-στο εξής: ΓΔΑ), της Λογαριθμικής Παλινδρόμησης (Logistic Regression-στο εξής: ΛΠ), των Νευρωνικών Δικτύων (Neural Networks-στο εξής: ΝΔ), των Δένδρων Ταξινόμησης (Classification Trees-στο εξής: ΔΤ) και της Μεθόδου των k Πλησιέστερων Γειτονικών Σημείων (k-Nearest Neighbour Method-στο εξής: ΜkΠΓΣ).