#تطبيقات_احصائية_في_المالية #بايثون_للمالية
من دورة Statistics for Machine Learning for Investment Professionals
المقدمة من CFA Institute
كيف تتوقع البنوك و شركات التمويل بأن عملائها سينتظمون بالدفع؟ 💸
حنستخدم logistic regression
جهز google colab عشان نكتب code python 🐍
من دورة Statistics for Machine Learning for Investment Professionals
المقدمة من CFA Institute
كيف تتوقع البنوك و شركات التمويل بأن عملائها سينتظمون بالدفع؟ 💸
حنستخدم logistic regression
جهز google colab عشان نكتب code python 🐍
logistic regression🧠
دالة إحصائية تساعدنا على عمل توقعات حول الأشياء التي يمكن أن تكون لها نتيجتان فقط
1= جيد 👍
0= سيئ👎
في تجربتنا ستكون
1= منتظم بالدفع
0= لن ينتظم
دالة إحصائية تساعدنا على عمل توقعات حول الأشياء التي يمكن أن تكون لها نتيجتان فقط
1= جيد 👍
0= سيئ👎
في تجربتنا ستكون
1= منتظم بالدفع
0= لن ينتظم
بنستخدم بيانات افتراضية
افتح google colab هذه المرة بنمشي خطوة بخطوة ويعطيك الكود جاهز
حمل التطبيقات التالية
🐼pandas لترتيب البيانات في صورة جداول
statsmodels لاستخدام المعادلات الاحصائية المعقدة
افتح google colab هذه المرة بنمشي خطوة بخطوة ويعطيك الكود جاهز
حمل التطبيقات التالية
🐼pandas لترتيب البيانات في صورة جداول
statsmodels لاستخدام المعادلات الاحصائية المعقدة
في البنوك والشركات المالية يستخدمون بيانات عملائهم التاريخية في تحليل البيانات
في حالتنا راح نستخدم بيانات افتراضية
Credit_Profile كان يدفع ولا لا
Annual_Income الدخل السنوي
Education_Years سنوات الدراسة
Age العمر
في حالتنا راح نستخدم بيانات افتراضية
Credit_Profile كان يدفع ولا لا
Annual_Income الدخل السنوي
Education_Years سنوات الدراسة
Age العمر
تحديد المتغيرات dependent و independent
في حالتنا dependent هو Credit_Profile لاننا نبغا نعرف العملاء الجدد راح يفعون ولا لا
البقية independent
هنا جمال البايثون بسطر واحد راح ينفذ المعادلة
في حالتنا dependent هو Credit_Profile لاننا نبغا نعرف العملاء الجدد راح يفعون ولا لا
البقية independent
هنا جمال البايثون بسطر واحد راح ينفذ المعادلة
نقرأ النتيجة بإيجاز
The Current function
يوضح مدى تناسق البيانات مع العملية، وكلما كان الرقم أصغر كان التناسق اكبر. 0.27
Pseudo R-squared
يوضح النسبة المئوية %60.96 التي أثرت في Credit_Profile بسبب المتغيرات
وكلما كبر الرقم كان أفضل.
كذا نكون دربنا النموذج خلونا نختبره
The Current function
يوضح مدى تناسق البيانات مع العملية، وكلما كان الرقم أصغر كان التناسق اكبر. 0.27
Pseudo R-squared
يوضح النسبة المئوية %60.96 التي أثرت في Credit_Profile بسبب المتغيرات
وكلما كبر الرقم كان أفضل.
كذا نكون دربنا النموذج خلونا نختبره
نصنع بيانات جديدة ونعتبرها عملائنا الجدد ونختبر النموذج
ypredict = logreg.predict(xtest)
استخدم logreg النموذج الي كتبناه سابقا لاختبار xtest عليه
النتيجة اذا فوق 0.5 بيعتبره 1 اذا تحت 0
مقارنة بين النتيجة المتوقعة من النموذج والبيانات الحقيقية نجد ان النموذج أخطأ مرة واحدة
ypredict = logreg.predict(xtest)
استخدم logreg النموذج الي كتبناه سابقا لاختبار xtest عليه
النتيجة اذا فوق 0.5 بيعتبره 1 اذا تحت 0
مقارنة بين النتيجة المتوقعة من النموذج والبيانات الحقيقية نجد ان النموذج أخطأ مرة واحدة
اخيرا نقيس نجاح النموذج بتفاصيل أكبر
confusion matrix
TP
التوقعات الناجحة لـ 1 (ثلاث مرات)
FP
التوقعات الخاطئة لـ 1 (مرة)
TN
التوقعات الناجحة لـ0 (مرة)
PN
التوقعات الخاطئة لـ 0 (ولا مرة)
confusion matrix
TP
التوقعات الناجحة لـ 1 (ثلاث مرات)
FP
التوقعات الخاطئة لـ 1 (مرة)
TN
التوقعات الناجحة لـ0 (مرة)
PN
التوقعات الخاطئة لـ 0 (ولا مرة)
الكود كامل
Loading suggestions...