抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
クレジットカード産業の急速な発展によって,信用カードローンに関して,商業銀行のための財政的リスクを課す増加の de解率があった。したがって,リスクの成功した解決は,長期における産業の健全な開発にとって重要である。FICOモデル[1](Fair Isaac社によって開発された)のような既存の方法は,信用カードデフォルトの確率を推定することができるが,それは人々の主観的判断に完全に基づいている。これは,FICOモデルが,低効率,低精度,時間消費,高労働コストを含むいくつかの望ましくない問題を有することを意味する。さらに,信用カードデフォルトのデータは,実際の世界における少数のクライアントのデフォルトが,デフォルトモデル構築に挑戦をもたらすので,常に不均衡である。現在の大データ時代において,機械学習法[2]は,その高効率と高精度のために一般的である。本論文では,クレジットデフォルト予測モデルを構築するため,ロジスティック回帰[3],デシジョンツリー[4]およびアンサンブル学習[5](adaboosting[6],ランダムフォレスト[7])を含む,いくつかの古典的機械学習アルゴリズムを採用した。不均衡なデータ[8]の問題を解決するために,著者らは,さらに,対応する加重モデルを構築して,それにより,それは,デフォルトクラスの予測精度を,非デフォルトクラスのわずかに高い予測誤差によって,改善することができた。結果は,重量によるランダム森林モデルが最良であり,82.12%の精度を達成したことを示した。それは,高速学習速度,高並列効率,および高容量データの目標を達成する。全体として,機械学習アルゴリズムは,精度を正確に評価できる実用的応用価値を持っている。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】