دانلود مقاله ISI انگلیسی شماره 48584
عنوان فارسی مقاله

ارزیابی مقایسه ای یادگیری آنسامبل برای امتیازدهی اعتباری

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
48584 2011 8 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
A comparative assessment of ensemble learning for credit scoring
منبع

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

Journal : Expert Systems with Applications, Volume 38, Issue 1, January 2011, Pages 223–230

کلمات کلیدی
امتیازدهی اعتباری - آموزش آنسامبل - کیسه - افزایش - انباشته
پیش نمایش مقاله
پیش نمایش مقاله ارزیابی مقایسه ای یادگیری آنسامبل برای امتیازدهی اعتباری

چکیده انگلیسی

Both statistical techniques and Artificial Intelligence (AI) techniques have been explored for credit scoring, an important finance activity. Although there are no consistent conclusions on which ones are better, recent studies suggest combining multiple classifiers, i.e., ensemble learning, may have a better performance. In this study, we conduct a comparative assessment of the performance of three popular ensemble methods, i.e., Bagging, Boosting, and Stacking, based on four base learners, i.e., Logistic Regression Analysis (LRA), Decision Tree (DT), Artificial Neural Network (ANN) and Support Vector Machine (SVM). Experimental results reveal that the three ensemble methods can substantially improve individual base learners. In particular, Bagging performs better than Boosting across all credit datasets. Stacking and Bagging DT in our experiments, get the best performance in terms of average accuracy, type I error and type II error.

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