基於 Logistic Regression 的信用風險評估系統，透過多階段變數篩選與模型訓練， 建構企業違約預測模型。
對每個變數進行個別 Logistic Regression， 以 P-value 篩選具統計顯著性的變數。
計算變數間相關係數矩陣，移除高度共線性變數， 降低多重共線性對模型的影響。
透過前向選擇與後向淘汰的逐步回歸法， 在限制條件下選出最佳變數子集。
使用 ROC 曲線、AUC、混淆矩陣、 Type I/II Error 全面評估模型效能。
上傳財務變數與類別變數 CSV 檔案，自動翻譯中文欄位名稱為英文
以 P-value 門檻進行單因子分析，篩選出統計顯著變數
移除高度相關變數，產生相關係數熱力圖
設定財務 / 類別變數數量上限，逐步回歸選出最佳組合
Logistic Regression 訓練，產生 ROC 曲線與混淆矩陣
| Method | Description | Purpose |
|---|---|---|
| Z-score Standardization | 將財務變數標準化至均值 0、標準差 1，並裁切至 ±2 | 消除量綱差異 |
| Logistic Regression | 以 Maximum Likelihood Estimation 擬合二元分類模型 | 預測違約機率 |
| Stepwise Regression | Forward Selection + Backward Elimination | 自動變數選擇 |
| ROC / AUC | 繪製 Receiver Operating Characteristic 曲線 | 評估分類效能 |
| Confusion Matrix | 計算 TP, TN, FP, FN 及 Type I / II Error | 閾值優化 |
以下嵌入部署於 Hugging Face Spaces 的 Gradio 應用程式。 請依序操作各分頁完成完整的信用風險模型建構流程。
If the embedded app does not load, please visit Hugging Face Space directly.
| Column | Description |
|---|---|
| Index (first column) | Company / Sample ID |
| Y | Target variable (0 = Non-default, 1 = Default) |
| Other columns | Financial ratio features (continuous) |
| Column | Description |
|---|---|
| Index (first column) | Company / Sample ID |
| Other columns | Dummy / categorical features (0 or 1) |