文献

J-GLOBAL ID：202102232282969157   整理番号：21A0006829

信用カードデフォルト予測における機械学習アルゴリズムの応用【JST・京大機械翻訳】

The Application of Machine Learning Algorithms in Credit Card Default Prediction

著者 (1件)： Yu Yue (Institute of Computer and Information Technology, Fujian Agriculture and Forestry University,Fuzhou,P.R.China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CDS  ページ： 212-218  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 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】

シソーラス用語： 労務費 ,  ディシジョンツリー ,  クレジットカード ,  *機械学習 ,  *学習アルゴリズム ,  予測誤差 ,  予測モデル
準シソーラス用語： 不均衡 ,  高効率 ,  アンサンブル学習 ,  ロジスティック回帰分析 ,  予測精度 ,  高精度 ,  ランダムフォレスト ,  商業銀行 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 信用 ,  カード ,  予測 ,  機械学習 ,  アルゴリズム ,  応用