Kreditní skóring pomocí metod skupinového strojového učení

Cílem této práce je zhodnotit prediktivní sílu zvolených metod skupinového strojového učení založeného na rozhodovacích stromech a posoudit aplikovatelnost těchto modelů v kreditním skóringu. V první části byly vysvětleny základní principy strojového učení s učitelem. Zvolené metody skupinového strojového učení byly poté detailně popsány, zvláštní důraz byl kladen na popis rozhodovacích stromů jakožto základních stavebních prvků daných modelů. Standardní přístup ke kreditnímu skóringu byl popsán a použit pro vývoj referenčního modelu. Skupinové modely byly vyvinuty několika způsoby a jejich predikční síla byla porovnána s referenčním modelem.The aim of this thesis is to examine the performance of selected decision tree-based ensemble machine learning models and to assess their applicability in credit scoring. In the first part, general principles behind supervised machine learning were introduced. Selected ensemble models were then explained in detail, special focus was placed on decision trees, the building blocks of these models. The standard approach to credit scoring function development was introduced and used to develop a benchmark model. In last section, the ensemble models were trained in several different ways. Their out-of-sample performance was measured and compared to that of the benchmark