دانلود مقاله ISI انگلیسی شماره 46712
عنوان فارسی مقاله

هیستوریک مبتنی بر الگوریتم ژنتیک برای انتخاب ویژگی در ارزیابی ریسک اعتباری

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
46712 2014 13 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Genetic algorithm-based heuristic for feature selection in credit risk assessment
منبع

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

Journal : Expert Systems with Applications, Volume 41, Issue 4, Part 2, March 2014, Pages 2052–2064

کلمات کلیدی
هوش مصنوعی - الگوریتم های ژنتیکی - تقسیم بندی - ارزیابی ریسک اعتباری - انتخاب ویژگی افزایشی - شبکه عصبی
پیش نمایش مقاله
پیش نمایش مقاله هیستوریک مبتنی بر الگوریتم ژنتیک برای انتخاب ویژگی در ارزیابی ریسک اعتباری

چکیده انگلیسی

In this paper, an advanced novel heuristic algorithm is presented, the hybrid genetic algorithm with neural networks (HGA-NN), which is used to identify an optimum feature subset and to increase the classification accuracy and scalability in credit risk assessment. This algorithm is based on the following basic hypothesis: the high-dimensional input feature space can be preliminarily restricted to only the important features. In this preliminary restriction, fast algorithms for feature ranking and earlier experience are used. Additionally, enhancements are made in the creation of the initial population, as well as by introducing an incremental stage in the genetic algorithm. The performances of the proposed HGA-NN classifier are evaluated using a real-world credit dataset that is collected at a Croatian bank, and the findings are further validated on another real-world credit dataset that is selected in a UCI database. The classification accuracy is compared with that presented in the literature. Experimental results that were achieved using the proposed novel HGA-NN classifier are promising for feature selection and classification in retail credit risk assessment and indicate that the HGA-NN classifier is a promising addition to existing data mining techniques.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.