dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
dc.contributor.author | Μαυρομανωλάκης, Ιωάννης | |
dc.date.accessioned | 2020-09-11T07:17:55Z | |
dc.date.available | 2020-09-11T07:17:55Z | |
dc.date.issued | 2020-02 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/12897 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/320 | |
dc.description.abstract | Η οικονομική κρίση που ξεκίνησε στην Ευρώπη το 2009 και διαρκεί ως και σήμερα
στην Ελλάδα αναδεικνύει το πόσο επιτακτική είναι η ανάγκη παρακολούθησης
του ρίσκου που αναλαμβάνει μια τράπεζα όταν δίνει ένα καταναλωτικό δάνειο η
μια πιστωτικη καρτα. Ένα μοντέλο που μπορεί να προβλέψει έγκαιρα και έγκυρα
τους πελάτες που δεν θα μπορέσουν να εξοφλήσουν στο άμεσο μέλλον
αποτελεί εργαλείο ζωτικής σημασίας για κάθε τραπεζικό οργανισμό.
Στόχος μας είναι η περιγραφή και σύγκριση τέτοιων μοντέλων μέσω της
εφαρμογής τους σε δεδομένα από μεγάλη ελληνική τράπεζα που αφορούν
πελάτες.
Εφαρμόσαμε στα δεδομένα μας την μέθοδο της Λογιστικής Παλινδρόμησης
(Logistic Regression), τα Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks)
και τα Δέντρα Ταξινόμησης (Classification Trees) κάνοντας χρήση είτε όλων των
μεταβλητών είτε κάνοντας χρήση μόνο όσων χαρακτηρίστηκαν σημαντικές μετά
από την κατάλληλη προεπεξεργασία. Συγκεκριμένα, εφαρμόστηκε η βηματική
μέθοδος επιλογής μεταβλητών και η ανάλυση ευαισθησίας για τον εντοπισμό
των μεταβλητών που παίζουν σημαντικό ρόλο στο εξαγόμενο αποτέλεσμα. | el |
dc.format.extent | 54 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
dc.rights | Αναφορά Δημιουργού 4.0 Διεθνές | * |
dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | * |
dc.title | Εξόρυξη γνώσης σε τραπεζικά δεδομένα με τη βοήθεια του προγράμματος Weka | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
dc.description.abstractEN | The economic crisis that began in Europe in 2009 and continues to this day in
Greece highlights the urgent need to monitor the risk a bank takes when giving
a consumer loan or a credit card. A model that can predict timely and validly
customers who will not be able to repay in the near future is a vital tool for any
banking organization.
Our goal is to describe and compare such models through their application to
data from a Big4 Bank Department.
We applied Logistic Regression, Artificial Neural Networks and Classification
Trees to our data using either all variables or using only those that were
considered significant after proper pretreatment. In particular, the step-by-step
method of selecting variables and sensitivity analysis were used to identify the
variables that play an important role in the output. | el |
dc.contributor.master | Ψηφιακά Συστήματα και Υπηρεσίες | el |
dc.subject.keyword | WEKA | el |
dc.subject.keyword | Data Analytics | el |
dc.date.defense | 2020-02-19 | |