Trung cấpPythonXGBoostLightGBMSHAPScikit-learn
Phân loại Credit Risk với Machine Learning
Xây dựng mô hình đánh giá rủi ro tín dụng sử dụng XGBoost, LightGBM. Học về imbalanced data, WOE encoding và SHAP interpretability.
MinAI Team
4 giờ
178 người đã tham gia
4.7/5
Cập nhật: 10/12/2024
Các bước trong dự án
1
Giới thiệu Credit Risk Classification
Tìm hiểu bài toán đánh giá rủi ro tín dụng với Machine Learning
40 phút
2
EDA và Preprocessing
Khám phá và tiền xử lý dữ liệu German Credit
50 phút
3
Feature Engineering
Xây dựng features với WOE encoding và Information Value
55 phút
4
Model Training
Train và so sánh các mô hình Logistic Regression, XGBoost, LightGBM
60 phút
5
Model Interpretability
SHAP values, Feature Importance và Rejection Reasons
45 phút
6
Quiz: Credit Risk
Kiểm tra kiến thức về Credit Risk Modeling
15 phút
Tech Stack
PythonXGBoostLightGBMSHAPScikit-learn
Bạn sẽ học được
- Xử lý và phân tích dữ liệu thực tế
- Xây dựng và train model ML/DL
- Deploy và demo ứng dụng
- Best practices trong industry