Binary Classification untuk prediksi level risiko investasi (0: low risk, 1: high risk)

This project utilized XGBoost, a powerful and scalable machine learning algorithm, to build a binary classification model. The dataset required significant preprocessing steps, including handling missing data through Multiple Imputation by Chained Equations (MICE) and applying robust scaling to address variability and outliers in the features.

Ini adalah tugas untuk membuat model prediksi untuk prediksi resiko investasi. Adapun untuk pemilihan model prediksi disini saya menggunakan model XGBoost

Ini adalah analisis untuk mengetahui perbedaan nilai Foregin Direct Invesment di setiap negara (dalam skala global) adapun untuk uji yang kami gunakan adalah Kruskal Wallis sebagai alternatif dari uji annova karena data yang kami dapatkan tidak normal adapun temuan yang kami dapatkan adalah sebagai berikut: Uji Kruskal-Wallis untuk variabel Value berdasarkan Country Name: Chi-squared = 1394.5, df = 242, p-value < 2.2e-16 Kesimpulan: Perbedaan nilai Foregin direct invesment (net inflow) antar negara sangat signifikan (p-value < 0.05), artinya terdapat perbedaan nyata dalam data antara negara-negara yang dianalisis. Uji Kruskal-Wallis untuk variabel Value berdasarkan Year: Chi-squared = 10.711, df = 6, p-value = 0.09774 Kesimpulan: P-value sebesar 0.09774 lebih besar dari 0.05, yang berarti tidak ada perbedaan signifikan antar nilai Foregin Direct Invesment berdasarkan tahun. Artinya, variasi antar tahun tidak cukup kuat untuk disimpulkan sebagai perbedaan nyata dalam data. Sumber data: https://data.worldbank.org/indicator/BX.KLT.DINV.CD.WD?end=2023&start=1970&view=chart

Understanding the Effect of price, marketing cost, stores, and income to sales volume

College Task