دانلود مقاله ISI انگلیسی شماره 48703
ترجمه فارسی عنوان مقاله

روش احتمالاتی و افتراقی انتخاب ویژگی عاقلانه گروهی برای تجزیه و تحلیل ریسک اعتباری

عنوان انگلیسی
Probabilistic and discriminative group-wise feature selection methods for credit risk analysis
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
48703 2012 9 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 6799 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 11 روز بعد از پرداخت 81,588 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 6 روز بعد از پرداخت 163,176 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 39, Issue 14, 15 October 2012, Pages 11709–11717

ترجمه کلمات کلیدی
تجزیه و تحلیل ریسک اعتباری - انتخاب ویژگی - طبقه بندی پروبیت - آموزش هسته های متعدد -
کلمات کلیدی انگلیسی
Credit risk analysis; Feature selection; Probit classifier; Multiple kernel learning; Sparsity
پیش نمایش مقاله
پیش نمایش مقاله روش احتمالاتی و افتراقی انتخاب ویژگی عاقلانه گروهی برای تجزیه و تحلیل ریسک اعتباری

چکیده انگلیسی

Many financial organizations such as banks and retailers use computational credit risk analysis (CRA) tools heavily due to recent financial crises and more strict regulations. This strategy enables them to manage their financial and operational risks within the pool of financial institutes. Machine learning algorithms especially binary classifiers are very popular for that purpose. In real-life applications such as CRA, feature selection algorithms are used to decrease data acquisition cost and to increase interpretability of the decision process. Using feature selection methods directly on CRA data sets may not help due to categorical variables such as marital status. Such features are usually are converted into binary features using 1-of-k encoding and eliminating a subset of features from a group does not help in terms of data collection cost or interpretability. In this study, we propose to use the probit classifier with a proper prior structure and multiple kernel learning with a proper kernel construction procedure to perform group-wise feature selection (i.e., eliminating a group of features together if they are not helpful). Experiments on two standard CRA data sets show the validity and effectiveness of the proposed binary classification algorithm variants.

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 6799 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 11 روز بعد از پرداخت 81,588 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 6 روز بعد از پرداخت 163,176 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.