בחירת המדד
פשיטות רגל הן המחלקה הנדירה. החמצת מקרה כזה עלולה לעלות יותר מהתרעת שווא. השתמשתי גם ב-F3, שמעניק משקל רב יותר לכיסוי (recall) מאשר לדיוק (precision), כדי לבחון את הפשרה הזו.
איפה זה התחיל
פרויקט אוניברסיטאי שמתחיל בשאלה: איזה מידע שימושי על סיכון לפשיטת רגל אוכל להפיק מנתוני חברות?
בעיות והחלטות
השוואת אסטרטגיות
השוויתי מודלים וערכי סף כדי לראות כיצד משתנים מספר המקרים המזוהים ומספר התרעות השווא, ובחנתי את חשיבות המאפיינים באמצעות Random Forest.
איך זה עובד
- מחברת Python מכינה נתונים טבלאיים ומבצעת להם סטנדרטיזציה באמצעות כלים של pandas, NumPy ו-scikit-learn.
- Random Forest מאפשר ניתוח של חשיבות המאפיינים. הניסויים משווים בין תצורות RF לבין מכונות וקטורים תומכים (SVM).
- ניסויים ברשתות נוירונים משתמשים ב־TensorFlow/Keras לבחינת ארכיטקטורה, רגולריזציה וסימנים להתאמת יתר.
- ספי החלטה וקבוצות מאפיינים מושווים באמצעות מדד F3, עקומות ROC ותרשימים שנשמרו במחברת.
מבט לתוך הפרויקט
מנתונים לפרשנות: שלבי הפרויקט.
- נתונים והכנה
- תכונות וסטנדרטיזציה
- Random Forest · SVM · רשתות נוירונים
- ספים · F₃ · ROC · התאמת יתר
מה למדתי
הפרויקט הזה לימד אותי לבחון ציון לצד השגיאות שמאחוריו. שינוי המדד או הסף משנה את המקרים שמזוהים. אני רוצה שהפשרה הזאת תהיה ברורה בכל השוואה בין מודלים.
מצב נוכחי
פרויקט אוניברסיטאי מחקרי ראשוני. התרשימים מתעדים הרצות שנשמרו במחברת. בדיקת המסקנות תדרוש הערכה עצמאית על נתונים חדשים.
יש לכם בעיה מעניינת?
ספרו לי מה תרצו לבנות או לשפר, מי ישתמש בזה ואילו אילוצים יש לכם. אחזור אליכם כדי שנוכל להבין יחד מאיפה להתחיל.