Klassifikation unvollständiger Datensätze am Beispiel des Konsumenten-Kreditgeschäfts - Wolfgang Kossa, Bernahrd Kromschröder, Jochen Wilhelm
Netto: 18,69 €20€
inkl. MwSt. zzgl. Versand
Bearbeitungszeit: 3 Werktage
Sofort lieferbar (auf Lager)
1x Stück verfügbar
Buchzusammenfassung:
Kossa stellt verschiedene Verfahren zur Klassifikation unvollständiger Datensätze dar und entwickelt auf der Grundlage eines Methodenvergleichs Handlungsempfehlungen für den praktischen Einsatz. Als Beispiel wird das Konsumenten-Kreditgeschäft betrachtet, das die Zuordnung eines Kreditantragstellers entweder in die Klasse der guten oder in die Klasse der schlechten Kreditfälle beschreibt. Um die Klassenzugehörigkeit eines Antragstellers zu schätzen, wird ein erhobener - ggf. durch missing values (MV) - unvollständiger Merkmalsvektor ausgewertet. Zu diesem Zweck werden Analyseverfahren entwickelt, die in der Lage sind, unvollständige Merkmalsvektoren unvorbehandelt und damit unverfälscht zu klassifizieren. Ausgehend von der quadratischen Diskriminanzanalyse (QDA) wird eine sogenannte MV-verträgliche Diskriminanzanalyse (MV-DA) entwickelt, die auf erwarteten Diskriminanzwerten basiert. Aus dem Bereich Neuronaler Netze werden die Netzwerktypen RBF (radial basis function), LVQ (learning vector quantization) und SOM (self-organizing maps) als Verfahren identifiziert, die mit geringen Anpassungen unvollständige Merkmalsvektoren klassifizieren können. In der systematischen empirischen Untersuchung werden die genannten Verfahren MV-DA, RBF, LVQ und SOM und außerdem, nach Ersetzung der missing values durch Mittelwerte, die Verfahren QDA und MLP (multi-layer perceptron) hinsichtlich ihrer Klassifikationsquote bei variierender Anzahl an missing values verglichen. Die hohe Leistungsfähigkeit sowie die leichte Implementierungsmöglichkeit machen einzelne Verfahren problemlos anwendbar und lassen auf hohe Praxis-Relevanz schließen.
FAQ zum Buch
Die Textstelle erwähnt, dass in Abschnitt 4.3 die FISHER-Diskriminanzanalyse vorgestellt wurde. Dabei wird die Suche nach einer geeigneten Zusammenhangsfunktion auf die Bestimmung eines Gewichtevektors und eines Schwellwerts zur Beurteilung von Kreditnehmern reduziert. Dieses FAQ wurde mit KI erstellt, basierend auf der Quelle: S. 135, ISBN 9783899520026
Die Transferfunktion wendet eine i. Allg. nicht-lineare Abbildung auf die Eingangsgröße {i}^{[1]}$ an und wandelt sie in die Ausgangsgröße {i}^{[1]} = f(I_{i}^{[1]})$ um. Diese Ausgangsgröße wird anschließend an die nächste Schicht weitergegeben. Dieses FAQ wurde mit KI erstellt, basierend auf der Quelle: S. 155, ISBN 9783899520026
Im Beispiel des Credit-Scorings ist φ_ϑ das Standardskalarprodukt zwischen dem Parameter-Vektor ϑ und dem Merkmalsvektor y, also φ_ϑ(y) = ϑ^T · y. Dieses FAQ wurde mit KI erstellt, basierend auf der Quelle: S. 61, ISBN 9783899520026
Unter der Normalverteilungsannahme ist die bedingte Klassenverteilung eine mehrdimensionale Normalverteilung. Der Mittelwert besteht aus dem Term μ_{mis,z} plus Σ_{mis,obs,z} ⋅ Σ_{obs,obs,z}^{-1} ⋅ (y_{obs} - μ_{obs,z}), während die Kovarianzmatrix aus Σ_{mis,mis,z} minus Σ_{mis,obs,z} ⋅ Σ_{obs,obs,z}^{-1} ⋅ Σ_{obs,mis,z} besteht. Dieses FAQ wurde mit KI erstellt, basierend auf der Quelle: S. 125, ISBN 9783899520026
Die beiden Trennfunktionen sind die quadratische und die lineare Diskriminanzanalyse (QDA und LDA). Sie werden unter der Annahme normalverteilter Daten im Zwei-Klassen-Fall dargestellt. Dieses FAQ wurde mit KI erstellt, basierend auf der Quelle: S. 113, ISBN 9783899520026
