Last chance: 50% off unlimited learning
Sale ends in
Cursusbeschrijving
In deze praktijkgerichte cursus met echte kredietdata leer je hoe je kredietrisico modelleert met logistische regressie en beslissingsbomen in R. Het modelleren van kredietrisico voor zowel particuliere als zakelijke leningen is van groot belang voor banken. De kans dat een debiteur in gebreke blijft is een essentieel onderdeel om tot een maat voor kredietrisico te komen. Naast andere modellen die ook aan bod komen, leer je twee veelgebruikte modeltypen binnen credit scoring: logistische regressie en beslissingsbomen. Je leert hoe je ze in deze context toepast en hoe banken deze modellen evalueren.
Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie en gegevensvoorbewerking
Dit hoofdstuk start met een algemene introductie in kredietrisicomodellen. We verkennen een echte gegevensset en bereiden die vervolgens voor zodat het juiste formaat ontstaat voordat we de kredietrisicomodellen toepassen.
- Introductie en datastructuur50 XP
- De kredietgegevens verkennen100 XP
- Een CrossTable() interpreteren50 XP
- Histogrammen en uitschieters50 XP
- Histogrammen100 XP
- Uitschieters100 XP
- Ontbrekende data en grove classificatie50 XP
- Missende gegevens verwijderen100 XP
- Ontbrekende gegevens vervangen100 XP
- Ontbrekende data behouden100 XP
- Data splits en verwarringsmatrices50 XP
- De gegevensset splitsen100 XP
- Een confusion matrix maken100 XP
2
Logistische regressie
Logistische regressie is nog steeds een veelgebruikte methode in kredietrisicomodellering. In dit hoofdstuk leer je hoe je logistische regressiemodellen toepast op kredietdata in R.
3
Beslissingsbomen
Classificatiebomen zijn een andere populaire methode in de wereld van kredietrisicomodellering. In dit hoofdstuk leer je hoe je classificatiebomen bouwt met kredietdata in R.
4
Een kredietrisicomodel evalueren
In dit hoofdstuk leer je hoe je de resultaten van verschillende kredietrisicomodellen kunt evalueren en vergelijken.
R
Kredietrisicomodellering in R
Cursus
voltooid
