Methods for credit risks assessment

В данной работе исследуются классификаторы машинного обучения с учителем для прогнозирования результатов кредитования. Учитывая большое количество алгоритмов, анализ начинается с простых методов, таких как логистическая регрессия, с постепенным увеличением сложности модели до методов рандомизированных деревьев. Далее сравнивается производительность каждой модели и обсуждается наиболее подходящее для этой задачи кредитования решение классификации. Исследованы и построены следующие модели: логистическая регрессия; стохастический градиентный спуск; метод опорных векторов; градиентный спуск; рандомизированные деревья. This article explores supervised machine learning classifiers to predict lending outcomes. Given the large number of algorithms, the analysis starts with simple methods such as logistic regression, gradually increasing the complexity of the model to methods of randomized trees. Next, the performance of each model is compared and the classification solution most suitable for this lending problem is discussed. The following models were investigated and built: logistic regression; stochastic gradient descent; support vector machine; gradient descent; randomized trees