文献

J-GLOBAL ID：202002241064567067   整理番号：20A0631014

中国のピアツーピア貸借におけるデフォルト予測のための特徴工学による異種アンサンブル学習【JST・京大機械翻訳】

Heterogeneous ensemble learning with feature engineering for default prediction in peer-to-peer lending in China

著者 (10件)： Li Wei (School of Management, Hefei University of Technology, Hefei, Anhui, China) ,  Li Wei (Key Laboratory of Process Optimization and Intelligent Decision-Making (Ministry of Education), Hefei University of Technology, Hefei, Anhui, China) ,  Ding Shuai (School of Management, Hefei University of Technology, Hefei, Anhui, China) ,  Ding Shuai (Key Laboratory of Process Optimization and Intelligent Decision-Making (Ministry of Education), Hefei University of Technology, Hefei, Anhui, China) ,  Wang Hao (School of Management, Hefei University of Technology, Hefei, Anhui, China) ,  Wang Hao (Key Laboratory of Process Optimization and Intelligent Decision-Making (Ministry of Education), Hefei University of Technology, Hefei, Anhui, China) ,  Chen Yi (School of Management, Hefei University of Technology, Hefei, Anhui, China) ,  Chen Yi (Key Laboratory of Process Optimization and Intelligent Decision-Making (Ministry of Education), Hefei University of Technology, Hefei, Anhui, China) ,  Yang Shanlin (School of Management, Hefei University of Technology, Hefei, Anhui, China) ,  Yang Shanlin (Key Laboratory of Process Optimization and Intelligent Decision-Making (Ministry of Education), Hefei University of Technology, Hefei, Anhui, China)
資料名： World Wide Web: Internet and Web Information Systems  (World Wide Web: Internet and Web Information Systems)
巻： 23  号： 1  ページ： 23-45  発行年： 2020年 
JST資料番号： W2172A  ISSN： 1386-145X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 近年,インターネットを使用する新しい形式の未確保金融である中国におけるピアツーピア(P2P)貸出がブームを受けているが,結果としての信用リスク問題は避けられない。P2Pレンディングプラットフォームに直面する重要課題は,デフォルト予測モデルを用いて各ローンの借とのデフォルト確率を正確に予測し,それは効果的にP2Pレンディングプラットフォームが信用リスクを避けるのを助ける。機械学習と統計学的学習に基づく伝統的デフォルト予測モデルは,データ駆動P2P貸出のために,P2Pレンディングプラットフォームの必要性を満たさない。信用データは高次元であり,クラス不均衡問題を持っている。それは,デフォルトリスク予測モデルを効果的に訓練することを困難にする。上記の問題を解決するために,本論文は,不均一集合学習に基づく新しいデフォルトリスク予測モデルを提案した。3つの個々の分類装置,極端な勾配ブースティング(XGboost),深いニューラルネットワーク(DNN)とロジスティック回帰(LR)を,線形重み集合戦略と同時に用いた。特に,このモデルは欠落値を処理できる。離散的およびランク特徴を生成した後に,このモデルは自己訓練のためのモデルに対する欠落値を追加した。次に,予測モデルの性能を改善するために,XGBoostモデルによってハイパーパラメータを最適化した。最後に,ベンチマークモデルと比較して,提案方法は予測結果の精度を著しく改善した。結論として,本論文で提案した予測法は,クラス不均衡問題を解決した。Copyright Springer Science+Business Media, LLC, part of Springer Nature 2019 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 線形性 ,  最適化 ,  予測モデル ,  インターネット ,  ニューラルネットワーク ,  分類装置 ,  高次元 ,  予測技法 ,  ベンチマーク ,  *学習 ,  金融 ,  機械学習
準シソーラス用語： ハイパーパラメータ ,  ブースティング ,  クラス不均衡 , 【Automatic Indexing@JST】

著者キーワード (5件)： 異種アンサンブル学習 ,  デフォルト予測 ,  特徴工学 ,  不均衡データ ,  ハイパーパラメータ最適化

分類 (2件)： 計算機網  (JC03000K) ,  通信網  (ND07030A)

タイトルに関連する用語 (5件)： 中国 ,  ピアツーピア ,  予測 ,  工学 ,  アンサンブル学習