文献

J-GLOBAL ID：201802263895788282   整理番号：18A1574679

AUCRFアルゴリズムの信用リスク評価における特徴選択研究【JST・京大機械翻訳】

RESEARCH ON THE FEATURE SELECTION OF AUCRF IN CREDIT RISK ASSESSMENT

著者 (3件)： Liu Xinmei (内蒙古科技大学理学院 内蒙古包頭014010) ,  Tang Jun (内蒙古科技大学理学院 内蒙古包頭014010) ,  Duan Chong (内蒙古科技大学理学院 内蒙古包頭014010)
資料名： Jisuanji Yingyong Yuruanjian  (Jisuanji Yingyong Yuruanjian)
巻： 35  号： 4  ページ： 293-295,309  発行年： 2018年 
JST資料番号： C2940A  ISSN： 1000-386X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 現在,確率的森林アルゴリズムに基づく特徴選択法は,全体的分類精度の最適化を目標としている。しかし,信用リスク評価の過程では,誤分類コストの不対等の不均衡データが広く存在する。この時、分類精度で分類性能の評価指標が適切でない。ROC曲線下のAUC値を2分類アルゴリズムの分類性能指標とし、ランダムフォレストアルゴリズムに基づいた特徴選択アルゴリズムのAUCRFを構築し、UCI機械学習データベース中のオーストラリア信用データに対して実証分析を行った。結果は,AUCRFアルゴリズムに基づくモデルが小さな特徴部分集合で高い分類性能を得ることができ,AUC=0.9346であることを示した。従って,AUCRFアルゴリズムは,誤分類コストの不対等の信用リスク特性選択に適用可能である。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *特徴選択 ,  *アルゴリズム ,  モデル ,  データベース ,  機械学習 ,  最適化 ,  オーストラリア連邦 ,  部分集合
準シソーラス用語： *信用リスク ,  ランダムフォレスト ,  分類アルゴリズム ,  ROC曲線 ,  評価指標 ,  不均衡データ ,  分類精度 , 【Automatic Indexing@JST】

著者キーワード (4件)： AUC value ,  Feature selection ,  Random forest ,  Credit risk assessment

分類 (3件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S) ,  計算機網  (JC03000K)

タイトルに関連する用語 (4件)： アルゴリズム ,  信用リスク評価 ,  特徴選択 ,  研究