Klassificering av kreditkortskunder

Sammanfattning: Mängden data som genereras av olika aktörer ökar ständig och det brukar sägas att många organisationer är rika på data men samtidigt informationsfattiga. Behovet av varierande analysverktyg för att skapa insikt och beslutsunderlag har aldrig varit större, men för varierande uppgifter och data passar olika metoder mer eller mindre bra. Uppsatsen undersöker, beskriver och förklarar ett perspektiv på hur den ekonometriska modellen logistisk regressionsanalys presterar i förhållande till maskininlärningsmodellen random forest för binär klassificering av kreditkortskunders kreditvärdighet. Resultatet visar att random forest genererar en högre AUC än logistisk regression och presterar bättre i 4 av de 5 prestationsmåtten.