مطالعه تطبیقی ارزیابی ریسک اعتباری برای مجموعه داده های نامتعادل با استفاده از طبقه بندی کننده های یادگیری عمیق
| عنوان | مطالعه تطبیقی ارزیابی ریسک اعتباری برای مجموعه داده های نامتعادل با استفاده از طبقه بندی کننده های یادگیری عمیق |
|---|---|
| نویسنده | Öner، T.، Alnahas، D.، Kanturvardar، A.، Ülkgün، A. M.، Demiroğlu، Cenk |
| تاریخ انتشار: | 2023 |
| محل انتشار | - IEEE |
| موضوع | عدم تعادل طبقاتی، ارزیابی ریسک اعتباری، افزایش گرادیان، یادگیری ماشینی، شبکه های عصبی |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 2-s2.0-85173461371 |
| شماره ثبت | da957e70-4dfe-442a-a332-c9e2948f9faf |
| محل کتابخانه | مهندسی برق و الکترونیک |
| تاریخ | 2023 |
| متن نمونه | ارزیابی ریسک اعتباری به محاسبه ریسک عدم بازپرداخت وام می پردازد. به همین دلیل، تلاشهای تحقیقاتی زیادی بر روی تحلیل ریسک اعتباری انجام میشود. در این مطالعه، مدلهای یادگیری ماشین مانند ماشین تقویتکننده گرادیان نور و شبکههای عصبی برای ارزیابی ریسک اعتباری استفاده میشوند. این مدلهای یادگیری ماشینی با استفاده از مجموعه دادههای ریسک پیشفرض اعتبار خانگی که از یک مسابقه در وبسایت kaggle.com بهدست آمد، آموزش و آزمایش میشوند. تکنیکهای نمونهگیری مجدد نیز برای مقابله با مشکل عدم تعادل کلاس در مجموعه داده اجرا شد. علاوه بر این، تکنیکهای مختلف پیش پردازش نیز برای مقابله با مقادیر از دست رفته و نقاط پرت در مجموعه داده مورد استفاده قرار گرفت. این مطالعه نتایج آزمایشها را با پارامترهای مختلف و تکنیکهای پیش پردازش ارائه میکند و پیکربندی بهینه را برای بهترین نتایج نشان میدهد. معیارهای عملکرد مدلهای یادگیری ماشینی که در آزمایشها پیادهسازی میشوند با معیارهای عملکرد یک سیستم پایه مقایسه میشوند که از مدل ماشین تقویتکننده گرادیان نور بدون استفاده از تکنیکهای پیشپردازش استفاده میکرد. |
| DOI | 10.1109/SIU59756.2023.10224008 |
