Vorhersage von Kreditrisiken: Neuronale Netze und SVMs im Vergleich - Wanjale, Kirti;Wanjale, Aditya
43,90 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
payback
0 °P sammeln
  • Broschiertes Buch

Die Bewertung von Kreditrisiken spielt in der Finanzbranche eine zentrale Rolle, und Vorhersagemodelle sind für fundierte Kreditentscheidungen unerlässlich. Dieses Forschungsprojekt befasst sich mit dem Bereich der Kreditrisikobewertung, einem kritischen Aspekt der Finanzindustrie, und schlägt einen innovativen Ansatz vor, der den Algorithmus des Feed Forward Neural Network (FNN) nutzt. Das Hauptaugenmerk liegt auf dem Vergleich der Wirksamkeit des FNN-Algorithmus mit den weit verbreiteten Support Vector Machines (SVM) zur Vorhersage von Kreditrisiken. Ziel ist es, die Effektivität des…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
Die Bewertung von Kreditrisiken spielt in der Finanzbranche eine zentrale Rolle, und Vorhersagemodelle sind für fundierte Kreditentscheidungen unerlässlich. Dieses Forschungsprojekt befasst sich mit dem Bereich der Kreditrisikobewertung, einem kritischen Aspekt der Finanzindustrie, und schlägt einen innovativen Ansatz vor, der den Algorithmus des Feed Forward Neural Network (FNN) nutzt. Das Hauptaugenmerk liegt auf dem Vergleich der Wirksamkeit des FNN-Algorithmus mit den weit verbreiteten Support Vector Machines (SVM) zur Vorhersage von Kreditrisiken. Ziel ist es, die Effektivität des FNN-Algorithmus bei der Vorhersage von Kreditausfällen zu bewerten, um ein umfassendes Verständnis seiner Leistung im Vergleich zu SVM zu erlangen. Die erzielten Ergebnisse sind vielversprechend und weisen auf eine höhere Genauigkeit des FNN-Modells im Vergleich zu SVM hin. Dies unterstreicht das Potenzial des FNN-Algorithmus, die Kreditrisikobewertung zu revolutionieren. Unsere Ergebnisse unterstreichen die Bedeutung des Einsatzes von KI und ML, insbesondere von neuronalen Netzen, um die Genauigkeit und Zuverlässigkeit von Kreditrisikoprognosesystemen zu verbessern. Die beeindruckende Leistung des FNN-Modells positioniert es als Wegbereiter in diesem Bereich, da es die Genauigkeit und Zuverlässigkeit von Kreditrisikoprognosesystemen verbessert.
Autorenporträt
Il dottor Kirti Hemant Wanjale ha conseguito il dottorato di ricerca presso la Facoltà di Ingegneria informatica di SSSTUMS, Sehore MP. Attualmente lavora come professore presso il Dipartimento di Ingegneria Informatica del Vishwakarma Institute of Technology di Pune. Ha 22 anni di esperienza. I suoi principali interessi di ricerca sono le reti di sensori wireless e l'Internet degli oggetti (IoT).