Door categorieën bladeren
Ontdekken
Fiverr Pro
Nederlands
$
USD
Ik maak een kredietrisicopredictiemodel met python
Ik zet data om in beslissingen, churn, forecasting, klantanalyses
Ik zet ruwe data om in bruikbare zakelijke beslissingen door klantanalyses, statistische analyses, voorspellende modellen, forecasting en dashboards.
Ik ben een student Statistics aan Can Tho Univers...
Over deze dienst
Hulp nodig bij het beoordelen van het risico op leningdefault?
Ik bouw credit risk modellen in Python om high-risk leningen te identificeren, belangrijke risicofactoren te begrijpen en data-onderbouwde kredietbeslissingen te ondersteunen.
Wat ik aanbied: Data schoonmaak en preprocessing; default-risk analyse; Logistic Regression en XGBoost modellering; model evaluatie met AUC-ROC, precisie, recall en confusion matrix; risk-driver analyse; risicosegmentatie; praktische aanbevelingen; schone, reproduceerbare Python code.
Waarom met mij samenwerken?
In een recent project heb ik meer dan 2,25 miljoen leningen geanalyseerd en ontdekt dat een selectief verificatiebeleid de geschatte netto waarde met 29,4 miljoen dollar kan verbeteren op een sample van 300K leningen, door gebruik te maken van voorspellende modellering, survival analysis en causal inference.
Met een achtergrond in statistiek richt ik me op strenge validatie, juiste aannames en eerlijke rapportage inclusief modelbeperkingen, niet alleen op cijfers die er goed uitzien.
Je ontvangt: analyse, code, modelresultaten, visualisaties en een duidelijke samenvatting.
Ik werk met datasets over leningen, krediet en default-risk. Stuur me een bericht voordat je bestelt met je dataset en zakelijke doel, zodat ik de juiste aanpak kan adviseren.
Mijn portfolio
Veelgestelde vragen
Automatische vertaling
Welke data heb je nodig om het creditrisicomodel te bouwen?
Ik heb je lening- of kredietdataset nodig, bij voorkeur in CSV- of Excel-formaat, samen met een korte beschrijving van de target variabele en eventuele specifieke wensen.
Kun je werken met mijn eigen dataset?
Ja. Ik kan werken met jouw eigen lening-, krediet- of default-risico dataset en de analyse en het model aanpassen aan jouw specifieke wensen.
Welke modellen gebruik je?
Ik gebruik vooral Logistische regressie en XGBoost, afhankelijk van je dataset en projectvereisten.
Wat krijg ik na de analyse?
Je ontvangt de Python code, analyseresultaten, modelevaluatie, visualisaties en een duidelijke samenvatting van de belangrijkste bevindingen.
Kun je het risico op leningdefault analyseren?
Ja. Ik kan factoren die verband houden met leningdefault analyseren en classificatiemodellen bouwen om het kredietrisico te beoordelen.
