mungkin bisa juga ditambahkan dengan jumlah tanggungan. kareana kadang walaupun ada anak kadang nasabanh juga punya tanggungan lain seperti ibu, mertua, adik, kakak, bahkan ponakan dan neneknya
Baik untuk model random forest ataupun xgboost kita dapat memperoleh nilai feature importance, untuk model random forest kita bisa gunakan `varImp()` dari package caret dan gunakan `xgb.importance` dari package xgboost. Untuk detail code nya bisa cek melalui github github.com/ajengprstw/creditscoring
Halo kak. saya sangat tertarik. Mau tanya kak, btw aku anak didik ka ajeng waktu training R BCA batch 11. mau tanya ka, semisal saya ingin melihat score dari setiap konsumen yang ingin saya prediksi caranya pakai apa ya kak? contoh. konsumen A scorenya 90, konsumen B score nya 87, konsumen C scorenya 39. Selain itu saya juga mau lihat apa yang menyebabkan score konsumen tersebut besar atau kecil. Mau tanya juga, semisal model saya sudah disetujui oleh management, bagaimana cara implementasinya di production ya ka? jadi nanti ketika ada pengajuan kredit udah langsung ketahuan scorenya real time.
Terima kasih Pak Erwin atas pertanyaannya. berikut jawaban kami dari pertanyaan-pertanyaan bapak. Bagaimana cara mengetahui credit score peminjam? Jika kasusnya seperti ini, maka sudah masuk kedalam masalah regresi. Dalam video ini permasalahannya adalah klasifikasi yang diselesaikan dengan Random Forest dan XGBoosts. Dua algoritma ini juga bisa digunakan untuk menyelesaikan masalah regresi. Faktor apa saja yang menentukan besar kecilnya score? Pada video sudah dijelaskan terkait feature importance untuk klasifikasi good credit atau bad credit. Feature importance juga bisa digunakan ke permasalahan regresi seperti credit score. Bagaimana implementasi dan produksinya? Jika model dengan performa yang cukup memuaskan sudah didapat, model tersebut bisa dibuatkan API nya. Kita bisa membuatnya menggunakan package plumber dan kemudian di deploy dengan RStudio connect. Semoga jawabannya bisa membantu pak. Terima kasih 😊
mungkin bisa juga ditambahkan dengan jumlah tanggungan. kareana kadang walaupun ada anak kadang nasabanh juga punya tanggungan lain seperti ibu, mertua, adik, kakak, bahkan ponakan dan neneknya
Terima kasih sharingnya ya, semoga channel ini terus berkembang :D
Aamiin terimakasih banyak ya ka :)
Kak.. keyword untuk mencari dataset di kaggle apa ya
model atau syntax apa yang digunakan untuk mendapatkan futures importance? apakah hanya menggunakan nilai korelasi? terimakasih
Baik untuk model random forest ataupun xgboost kita dapat memperoleh nilai feature importance, untuk model random forest kita bisa gunakan `varImp()` dari package caret dan gunakan `xgb.importance` dari package xgboost. Untuk detail code nya bisa cek melalui github github.com/ajengprstw/creditscoring
Mau nanya soal kredit score, kalo misalkan seseorang belum sama sekali pinjam berarti credit score nya masih bagus?
Sepengetahuan mimin ini artinya tidak punya credit score (bukan nol, jelek atau bagus)
Halo kak. saya sangat tertarik. Mau tanya kak, btw aku anak didik ka ajeng waktu training R BCA batch 11. mau tanya ka, semisal saya ingin melihat score dari setiap konsumen yang ingin saya prediksi caranya pakai apa ya kak? contoh. konsumen A scorenya 90, konsumen B score nya 87, konsumen C scorenya 39. Selain itu saya juga mau lihat apa yang menyebabkan score konsumen tersebut besar atau kecil. Mau tanya juga, semisal model saya sudah disetujui oleh management, bagaimana cara implementasinya di production ya ka? jadi nanti ketika ada pengajuan kredit udah langsung ketahuan scorenya real time.
Terima kasih Pak Erwin atas pertanyaannya. berikut jawaban kami dari pertanyaan-pertanyaan bapak.
Bagaimana cara mengetahui credit score peminjam?
Jika kasusnya seperti ini, maka sudah masuk kedalam masalah regresi. Dalam video ini permasalahannya adalah klasifikasi yang diselesaikan dengan Random Forest dan XGBoosts. Dua algoritma ini juga bisa digunakan untuk menyelesaikan masalah regresi.
Faktor apa saja yang menentukan besar kecilnya score?
Pada video sudah dijelaskan terkait feature importance untuk klasifikasi good credit atau bad credit. Feature importance juga bisa digunakan ke permasalahan regresi seperti credit score.
Bagaimana implementasi dan produksinya?
Jika model dengan performa yang cukup memuaskan sudah didapat, model tersebut bisa dibuatkan API nya. Kita bisa membuatnya menggunakan package plumber dan kemudian di deploy dengan RStudio connect.
Semoga jawabannya bisa membantu pak. Terima kasih 😊
👍👍❤️❤️❤️❤️💪
Terimakasih banyak ka!
Programming nya pakai R ya min?
Iya, betul ka :)
Pengen bajunya kak, hehe
Pantengin instagram teamalgoritma ya ka. Siapatau ada quiz dan bisa menangin Merchandise Algoritma ;)