Abstract
Мақалада банктік несиелік тәуекелді бағалаудың өзекті мәселелері, сондай-ақ қарыз алушының несиелік қабілетін бағалау үшін деректерді талдау әдістерін пайдалана отырып, машиналық оқыту алгоритмдері зерттелді. Деректерді өңдеу процесін көрсету үшін мысал ретінде несиелік рейтингтер таңдалды. Несиелік тәуекелді бағалау үшін несиелік скоринг қаржылық институттардағы төлем қабілеттері бар немесе төлем қабілеттері жоқ клиенттерден ажыратудың маңызды құралы екені талданды. Мақалада, машиналық оқыту алгоритмдері кредиттік скорингке сәтті қолданылды. Несиелік тәуекелді азайту – қаржылық дағдарыстардан кейін қызығушылықтың артатын саласы, сондықтан қаржы институттары көптеген деректер жинақтайды. Бұл тәуекел сарапшыларына үлкен деректерді өңдеу және жеке тұлғаның төлем қабілетін анықтау сияқты қиын тапсырма берді. Қаржы институттары жоғары тиімді несиелік скорингтік модельдерді табу үшін күрделі машиналық оқыту әдістерін пайдалана алады. Мақалада салыстырмалы талдау үшін машиналық оқытуды жіктеу әдістері қолданылды. Нәтижелер көрсеткендей, регрессия дефолтты жақсы болжағанын, содан кейін кездейсоқ орман алгоритмі екенін көрсетті. Кеңінен қолданылатын логит моделі тірек векторлық машинаға қарағанда жақсы нәтиже көрсетті. Сонымен қатар, Колмогоров-Смирновтың сынағы арқылы біз машиналық оқытудың басқа әдістерінің кластарды қаншалықты жақсы жіктей алатындығын және логит моделінен асып түсетінін дәлелдедік.