اختيار المقياس
حالات الإفلاس هي الفئة النادرة. وقد تكون تكلفة عدم اكتشاف إحداها أعلى من تكلفة إنذار كاذب. استخدمتُ أيضًا F3، الذي يمنح الاستدعاء وزنًا أكبر من الإحكام، لدراسة هذه المفاضلة.
كيف بدأت الفكرة
مشروع جامعي يبدأ بسؤال: ما المعلومات المفيدة التي يمكنني استخلاصها من بيانات الشركات بشأن مخاطر الإفلاس؟
المشكلات والقرارات
مقارنة الاستراتيجيات
قارنت النماذج والعتبات لمعرفة كيف تتغيّر الحالات المكتشفة والإنذارات الكاذبة، ودرست أهمية السمات باستخدام Random Forest.
كيف يعمل
- يُعِدّ دفتر Python البيانات الجدولية ويوحّد مقاييسها باستخدام أدوات pandas وNumPy وscikit-learn.
- تدعم خوارزمية الغابة العشوائية تحليل أهمية السمات. وتقارن التجارب بين إعدادات RF وآلات المتجهات الداعمة.
- تستخدم تجارب الشبكات العصبية TensorFlow/Keras لدراسة البنية وأساليب التنظيم وعلامات فرط التكيّف.
- تُقارَن عتبات القرار ومجموعات السمات باستخدام مقياس F3-score ومنحنيات ROC والرسوم البيانية المحفوظة في دفتر الملاحظات البرمجي.
داخل المشروع
من البيانات إلى التفسير: مراحل المشروع.
- البيانات وإعدادها
- الميزات والتوحيد القياسي
- الغابة العشوائية · SVM · الشبكات العصبية
- العتبات · F₃ · ROC · فرط التكيّف
ما تعلمته
علّمني هذا المشروع أن أقرأ نتيجة التقييم إلى جانب الأخطاء الكامنة وراءها. فتغيير المقياس أو العتبة يغيّر الحالات التي تُكتشف. وأريد أن تكون هذه المفاضلة واضحة كلما قارنتُ بين النماذج.
الحالة الحالية
مشروع جامعي استكشافي. توثّق الرسوم البيانية عمليات التشغيل المحفوظة في دفتر الملاحظات البرمجي. ويتطلب اختبار الاستنتاجات تقييمًا مستقلًا باستخدام بيانات جديدة.
لديك مشكلة مثيرة للاهتمام؟
أخبرني بما تريد بناءه أو تحسينه، ومن سيستخدمه، وما القيود التي تواجهك. سأتواصل معك لنحدّد معًا نقطة البداية.