04054ntm a22005537i 4500 000674975 CZ-PrVSE 20200606082332.0 m d cr n|||||||||| 200606s2020 xr fsbm 000 0 cze d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Beranová, Lucie ISIS:118793 dis Prediction of company insolvency using data science methods eng Predikce insolvence podniku s využitím metod datové vědy / Lucie Beranová 2020 ?? stran : digital, PDF soubor Vedoucí práce: Tomáš Kliegr Diplomová práce (Ing.)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, 2020 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2020 Hlavním cílem celé práce byla tvorba modelů určených pro predikci insolvence firem zakládajících si na maximální využitelnosti dostupných dat. Tím se rozumí využití široké nabídky proměnných a v závislosti od toho se odvíjí i různé velikosti dostupných vzorků dat, z čehož vyplynulo 10 experimentů. Experimenty byly využity k porovnání z více zajímavých hledisek, příkladem je porovnání prediktivní síly modelu pro různá časová období, využití různých sad proměnných a zkoumání jejich důležitostí, vliv vzorku dat na přesnost modelu a na změnu významnosti proměnných apod. Část práce také porovnává interpretovatelnost modelu náhodného lesa a logistické regrese. Práce je založena na využití metod datové vědy, z tohoto důvodu byl čtenář v úvodní kapitole s tímto pojmem a s ním souvisejícími pojmy stručně seznámen. Dále byla představena metodika CRISP-DM, ze které vycházel vlastní výzkum práce. Detailněji byly teoreticky rozebrány některé podsekce této metodiky – metody redukce počtu proměnných nebo výběr modelu a evaluace. Kapitoly obsahují zejména teoretický základ metod, jež byly v této práci využité. Práce byla také inspirována článkem Breimana (2001), na základě kterého byly modely vybírány dle dvou kritérií – interpretovatelnost a prediktivní síla. Jako zástupce interpretovatelného modelu byl použit model penalizované logistické regrese, pro svou prediktivní sílu byl zvolen model náhodného lesa. Pro zlepšení přesnosti modelu se využívala řada specifických technik, jako např. stratifikovaná křížová validace, metoda vyrovnání dat Oversampling nebo ladění parametrů pomocí Grid Search. V rámci práce byly také využity text miningové metody. Zpracování dat probíhalo v Pythonu, modelování v R. Způsob přístupu: Internet ekonometrie a operační výzkum [obor dipl. práce] diplomové práce fd132022 czenas master's theses eczenas strojové učení logistická regrese náhodný les insolvence klasifikace predikce Kliegr, Tomáš ISIS:8484 ths Černý, Michal mzk2005275013 opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/70442/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/70442 Hlavní práce https://insis.vse.cz/zp/70442/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/70442/posudek/oponent/66291 Oponentura https://insis.vse.cz/zp/70442/priloha/20206 Přiloha k práci https://insis.vse.cz/zp/70442/priloha/20207 Přiloha k práci https://insis.vse.cz/zp/70442/podrobnosti dc:identifier NEPOSILAT VSKP vse70442 200605 70442