دانلود مقاله ISI انگلیسی شماره 48605
عنوان فارسی مقاله

داده های با هدایت طبقه بندی کننده آنسامبل برای تجزیه و تحلیل امتیازدهی اعتباری

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
48605 2010 12 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
A data driven ensemble classifier for credit scoring analysis
منبع

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

Journal : Expert Systems with Applications, Volume 37, Issue 1, January 2010, Pages 534–545

کلمات کلیدی
خوشه بندی - طبقه بندی آنسامبل - شبکه عصبی - شبکه های بیزی - کلاس عاقلانه طبقه بندی - سیستم امتیازدهی اعتباری
پیش نمایش مقاله
پیش نمایش مقاله داده های با هدایت طبقه بندی کننده آنسامبل برای تجزیه و تحلیل امتیازدهی اعتباری

چکیده انگلیسی

This study focuses on predicting whether a credit applicant can be categorized as good, bad or borderline from information initially supplied. This is essentially a classification task for credit scoring. Given its importance, many researchers have recently worked on an ensemble of classifiers. However, to the best of our knowledge, unrepresentative samples drastically reduce the accuracy of the deployment classifier. Few have attempted to preprocess the input samples into more homogeneous cluster groups and then fit the ensemble classifier accordingly. For this reason, we introduce the concept of class-wise classification as a preprocessing step in order to obtain an efficient ensemble classifier. This strategy would work better than a direct ensemble of classifiers without the preprocessing step. The proposed ensemble classifier is constructed by incorporating several data mining techniques, mainly involving optimal associate binning to discretize continuous values; neural network, support vector machine, and Bayesian network are used to augment the ensemble classifier. In particular, the Markov blanket concept of Bayesian network allows for a natural form of feature selection, which provides a basis for mining association rules. The learned knowledge is represented in multiple forms, including causal diagram and constrained association rules. The data driven nature of the proposed system distinguishes it from existing hybrid/ensemble credit scoring systems.

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