의사결정기법과 신경망 모형을 이용한 최적 DM발송 모형 선택(데이터마이닝)

소개

SAS 프로그램을 이용한 데이터마이닝 보고서입니다.
의사결정기법과 신경망 모형을 이용하여 최적 DM발송 모형을 탐색하는 과제입니다.
참고로 A+ 받은 보고서입니다

목차

1. 서론

2. 본론


3. 결론

본문내용

1. 서론
본 프로젝트는 데이터마이닝 분야에서 사용되는 신용평가 Data set, HMEQ를 이용하여 대출승인에 대한 의사결정 과정을 자동화하기 위한 고객의 신용평가 점수 모형을 작성, 분석하여 E-miner의 각 노드에 대한 기능 및 활용을 목표로 하였다. E-Miner의 SEMMA(Sampling, Exploration, Modification, Modeling, Assessment) 단계 중 Modification 까지의 과정을 데이터 변형과 검색을 중점으로 수행하였다. 본론에서는 hmeq 데이터셋의 설명과 각 변수에 대해 서술하였고 분석흐름도의 순서에 따라 각 노드의 역할과 진행과정을 서술하였다. 결론에서는 Variable Seletion 노드에서 카이제곱통계량을 이용하여 선택한 결과를 통해 목표변수에 영향이 큰 변수들을 추론하였다.

2. 본론
다음은 HMEQ자료에 대한 설명이고 [표1]은 분석을 위한 변수의 이름 및 내용을 나타낸 것이다.
한 은행의 신용평가부서에서 대출승인에 대한 의사결정과정을 자동화하기 위해 각 고객에 대한 신용평가점수 모형을 만들고자 한다. 생성된 모형은 대출승인 여부를 결정하는 예측모형으로 사용될 것이다. 그러나 대출이 거절된 고객에게는 그 사유를 설명할 수 있어야 한다. 적절한 예측력과 설명력을 확보하기 위해 의사결정나무를 이용하여 모형화해 보기로 했다. 학습용자료는 대출부서가 담보대출 심사과정에서 얻은 대출자의 신상에 대한 변수와 대출 상환여부로 이루어져 있다.



3. 결론
[그림19,20]과 같이 카이제곱 통계량을 이용한 변수선택의 setting을 바꿔가면서 run해보았다. [그림22]는 구간형 입력변수에 대해 여기에 지정된 수만큼 이산범주를 만드는 Bin값을 50으로 설정했을 때의 결과값이다.
유의수준 2.5%에 해당하는 카이제곱통계량 5.02로도 해보았으나 결과는 [그림22]와 같이 변화가 없었다. 하지만 Bins를 극단적으로 90,100으로 바꾸고 Passes를 4로 줄였을 경우 rejected된 변수에 변화가 생겼다.
여러차례 수행해본 결과,, 다른 변수들은 small chi-square로 rejected 되었지만 DEBTINC(대출금대수입의 비율), DELINQ(체납회수) 두 변수는 계속 input변수로 사용되어 목표변수 BAD에 가장 큰 영향을 끼치는 것을 알 수 있었다.
앞에서 변수 DEBTINC는 대부분 45(%) 이하인 것을 고려한다면 대부분은 “대출금대수입비율”이 결측값인 개체들로 이루어져 있다고 생각

참고자료

· 없음