دانلود مقاله ISI انگلیسی شماره 145923
ترجمه فارسی عنوان مقاله

رویکرد درخت تصمیم گیری افزایش یافته با استفاده از بهینه سازی پارامترهای بیزی برای اعتبار سنجی اعتبار

عنوان انگلیسی
A boosted decision tree approach using Bayesian hyper-parameter optimization for credit scoring
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
145923 2017 50 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 17108 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 25 روز بعد از پرداخت 205,296 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 13 روز بعد از پرداخت 410,592 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 78, 15 July 2017, Pages 225-241

ترجمه کلمات کلیدی
نمره اعتباری، درخت تصمیمی افزایش یافته است بهینه سازی بیشینه پارامتر بایسین،
کلمات کلیدی انگلیسی
Credit scoring; Boosted decision tree; Bayesian hyper-parameter optimization;
پیش نمایش مقاله
پیش نمایش مقاله رویکرد درخت تصمیم گیری افزایش یافته با استفاده از بهینه سازی پارامترهای بیزی برای اعتبار سنجی اعتبار

چکیده انگلیسی

Credit scoring is an effective tool for banks to properly guide decision profitably on granting loans. Ensemble methods, which according to their structures can be divided into parallel and sequential ensembles, have been recently developed in the credit scoring domain. These methods have proven their superiority in discriminating borrowers accurately. However, among the ensemble models, little consideration has been provided to the following: (1) highlighting the hyper-parameter tuning of base learner despite being critical to well-performed ensemble models; (2) building sequential models (i.e., boosting, as most have focused on developing the same or different algorithms in parallel); and (3) focusing on the comprehensibility of models. This paper aims to propose a sequential ensemble credit scoring model based on a variant of gradient boosting machine (i.e., extreme gradient boosting (XGBoost)). The model mainly comprises three steps. First, data pre-processing is employed to scale the data and handle missing values. Second, a model-based feature selection system based on the relative feature importance scores is utilized to remove redundant variables. Third, the hyper-parameters of XGBoost are adaptively tuned with Bayesian hyper-parameter optimization and used to train the model with selected feature subset. Several hyper-parameter optimization methods and baseline classifiers are considered as reference points in the experiment. Results demonstrate that Bayesian hyper-parameter optimization performs better than random search, grid search, and manual search. Moreover, the proposed model outperforms baseline models on average over four evaluation measures: accuracy, error rate, the area under the curve (AUC) H measure (AUC-H measure), and Brier score. The proposed model also provides feature importance scores and decision chart, which enhance the interpretability of credit scoring model.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 17108 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 25 روز بعد از پرداخت 205,296 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 13 روز بعد از پرداخت 410,592 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.