fieldid E-Thesis & Research สถาบันเทคโนโลยีไทย-ญี่ปุ่น
สืบค้น:

เขตข้อมูล ข้อมูล
บทคัดย่อ
การเปรียบเทียบประสิทธิภาพการจำแนกความสามารถในการชำระหนี้สำหรับ ผู้กู้รายเดิมด้วยเทคนิคการเรียนรู้ของเครื่อง : งานวิจัยนี้มีวัตถุประสงค์สร้างแบบจำลองข้อมูลการในการวิเคราะห์ความสามารถในการชำระหนี้คืนโดยใช้เทคนิคการเรียนรู้ของเครื่อง และเพื่อเปรียบเทียบประสิทธิภาพของเทคนิค ที่เหมาะสมในการจำแนกความสามารถในการชำระหนี้คืนจากข้อมูลลูกค้าผู้กู้รายเดิม เพื่อช่วยธนาคารประกอบการตัดสินใจในการอนุมัติสินเชื่อ โดยการนำข้อมูลในอดีตมาวิเคราะห์เพื่อสะท้อนถึงความสามารถในการชำระหนี้ในอนาคต และทำให้ธนาคารมีเครื่องมือที่ง่ายต่อการอนุมัติในการปล่อยสินเชื่อของลูกค้าที่เคยมีประวัติการขอสินเชื่อจากธนาคาร จากการศึกษานี้ใช้ข้อมูลประเมิน ศักยภาพลูกหนี้ของธนาคารแห่งหนึ่ง จำนวน 4,334 ราย โดยใช้เทคนิคการเรียนรู้ของเครื่อง เพื่อเปรียบเทียบความสามารถในการชำระหนี้และเปรียบเทียบโมเดลที่มีผลต่อความสามารถในการ ชำระหนี้ โดยเทคนิคที่เลือกใช้ ได้แก่ Logistic Regression Neural Network Decision Tree และ Random Forest ด้วยโปรแกรม Visual Studio Code จากผลการศึกษาพบว่า โมเดล Random Forest มีความแม่นยำสูงและแปรปรวนต่ำ วัดประสิทธิภาพค่าเฉลี่ยความถูกต้องแม่นยำ (Accuracy) คิดเป็น 95.98% และค่าเฉลี่ยความคลาดเคลื่อนในการทำนาย (RMSE) 20.99% นอกจากนี้ต้นเงินค้างในบิล (The Principal Remains on the Bill) มีผลต่อความสามารถในการชำระหนี้คืนมากที่สุด โมเดล Random Forest จึงมีความเหมาะสมที่จะนำไปใช้ในการพิจารณา อนุมัติสินเชื่อ โดยวัดจากค่าประสิทธิภาพความแม่นยำสูงสุดจากการสร้างโมเดลที่ทำนายจากพฤติกรรมการชำระหนี้ของผู้กู้รายเดิมในอดีต จะช่วยส่งผลให้การปล่อยอนุมัติสินเชื่อของธนาคาร มีประสิทธิภาพและมีความแม่นยำมากยิ่งขึ้น
ผู้แต่ง
ธันย์ชนก ขำประดิษฐ์
ประเภทสิ่งพิมพ์
วิทยานิพนธ์ (MIT) 2024
เลขหน้า
65
หัวเรื่อง
สถาบันเทคโนโลยีไทย-ญี่ปุ่น.สาขาวิชาเทคโนโลยีสารสนเทศ--วิทยานิพนธ์
หัวเรื่อง
เทคโนโลยีสารสนเทศ--วิทยานิพนธ์
เอกสารฉบับเต็ม
Download full text