دانلود مقاله ISI انگلیسی شماره 48569
عنوان فارسی مقاله

انتخاب ویژگی بر اساس مجموعه ای فوق ابتکاری خشن و جستجوی پراکنده برای امتیازدهی اعتباری

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
48569 2012 6 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Rough set and scatter search metaheuristic based feature selection for credit scoring
منبع

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

Journal : Expert Systems with Applications, Volume 39, Issue 6, May 2012, Pages 6123–6128

کلمات کلیدی
امتیازدهی اعتباری - انتخاب ویژگی - مجموعه سخت - جست و جوی پراکنده - متا اکتشافی
پیش نمایش مقاله
پیش نمایش مقاله انتخاب ویژگی بر اساس مجموعه ای فوق ابتکاری خشن و جستجوی پراکنده برای امتیازدهی اعتباری

چکیده انگلیسی

As the credit industry has been growing rapidly, credit scoring models have been widely used by the financial industry during this time to improve cash flow and credit collections. However, a large amount of redundant information and features are involved in the credit dataset, which leads to lower accuracy and higher complexity of the credit scoring model. So, effective feature selection methods are necessary for credit dataset with huge number of features. In this paper, a novel approach, called RSFS, to feature selection based on rough set and scatter search is proposed. In RSFS, conditional entropy is regarded as the heuristic to search the optimal solutions. Two credit datasets in UCI database are selected to demonstrate the competitive performance of RSFS consisted in three credit models including neural network model, J48 decision tree and Logistic regression. The experimental result shows that RSFS has a superior performance in saving the computational costs and improving classification accuracy compared with the base classification methods.

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