Fugu-MT 論文翻訳(概要): Credit card score prediction using machine learning models: A new dataset

論文の概要: Credit card score prediction using machine learning models: A new dataset

arxiv url: http://arxiv.org/abs/2310.02956v2
Date: Sun, 15 Oct 2023 06:27:58 GMT
ステータス: 処理完了
システム内更新日: 2023-10-18 02:57:20.313952
Title: Credit card score prediction using machine learning models: A new dataset
Title（参考訳）: 機械学習モデルを用いたクレジットカードスコア予測:新しいデータセット
Authors: Anas Arram, Masri Ayob, Musatafa Abbas Abbood Albadr, Alaa Sulaiman, Dheeb Albashish
Abstract要約: 本研究では、クレジットカードのデフォルト予測システムにおける機械学習(ML)モデルの利用について検討する。ここでの主な目標は、新しく提案されたクレジットカードスコアリングデータセットにおいて、最高のパフォーマンスのMLモデルを調査することである。
参考スコア（独自算出の注目度）: 2.099922236065961
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The use of credit cards has recently increased, creating an essential need for credit card assessment methods to minimize potential risks. This study investigates the utilization of machine learning (ML) models for credit card default prediction system. The main goal here is to investigate the best-performing ML model for new proposed credit card scoring dataset. This new dataset includes credit card transaction histories and customer profiles, is proposed and tested using a variety of machine learning algorithms, including logistic regression, decision trees, random forests, multi-layer perceptron (MLP) neural network, XGBoost, and LightGBM. To prepare the data for machine learning models, we perform data pre-processing, feature extraction, feature selection, and data balancing techniques. Experimental results demonstrate that MLP outperforms logistic regression, decision trees, random forests, LightGBM, and XGBoost in terms of predictive performance in true positive rate, achieving an impressive area under the curve (AUC) of 86.7% and an accuracy rate of 91.6%, with a recall rate exceeding 80%. These results indicate the superiority of MLP in predicting the default customers and assessing the potential risks. Furthermore, they help banks and other financial institutions in predicting loan defaults at an earlier stage.
Abstract（参考訳）: クレジットカードの使用は近年増加しており、潜在的なリスクを最小限に抑えるためにクレジットカード評価手法が不可欠である。本研究では,クレジットカードデフォルト予測システムにおける機械学習モデルの利用について検討した。ここでの主な目標は、新しいクレジットカードスコアリングデータセットで最高のパフォーマンスのMLモデルを調査することだ。この新しいデータセットには、クレジットカード取引履歴と顧客プロファイルが含まれており、ロジスティック回帰、決定木、ランダムフォレスト、多層パーセプトロン(mlp)ニューラルネットワーク、xgboost、lightgbmなど、さまざまな機械学習アルゴリズムを使用して提案およびテストされている。機械学習モデルのためのデータを作成するために、データ前処理、特徴抽出、特徴選択、データバランス技術を行う。実験結果から,MLPはロジスティック回帰,決定木,ランダム林,LightGBM,XGBoostを真の正の速度で予測し,曲線(AUC)86.7%,精度91.6%,リコール率80%を達成していることがわかった。これらの結果は,mlpが既定顧客を予測し,潜在的なリスクを評価する上で優れていることを示している。さらに、銀行や他の金融機関がローンのデフォルトを早期に予測するのを支援している。

関連論文リスト

Bank Loan Prediction Using Machine Learning Techniques [0.0]
我々は機械学習手法を用いて、148,670のインスタンスと37の属性のデータセットに取り組んできた。最高の性能のアルゴリズムはAdaBoostingであり、99.99%の精度を達成した。
論文参考訳（メタデータ） (2024-10-11T15:01:47Z)
Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文参考訳（メタデータ） (2024-09-10T07:34:19Z)
F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
論文参考訳（メタデータ） (2024-05-01T11:10:24Z)
Improving Fairness in Credit Lending Models using Subgroup Threshold Optimization [0.0]
textitSubgroup Threshold(textitSTO)と呼ばれる新しいフェアネス手法を導入する。 STOは、個々のサブグループの分類閾値を最適化して、それらの間の全体的な識別スコアを最小化する。実世界の信用貸付データセットを用いた実験により、STOは性別差別を90%以上削減できることが示された。
論文参考訳（メタデータ） (2024-03-15T19:36:56Z)
Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文参考訳（メタデータ） (2023-05-01T20:04:46Z)
Feature Selection with Annealing for Forecasting Financial Time Series [2.44755919161855]
本研究では,機械学習(ML)モデルを用いた戦術的入力出力特徴マッピング技術に基づいて,財務時系列を総合的に予測する手法を提案する。実験の結果,FSAアルゴリズムは問題の種類に関わらず,MLモデルの性能を向上することが示された。
論文参考訳（メタデータ） (2023-03-03T21:33:38Z)
Machine Learning Models Evaluation and Feature Importance Analysis on NPL Dataset [0.0]
エチオピアのプライベートバンクが提供するデータセット上で、異なる機械学習モデルがどのように機能するかを評価する。 XGBoostは、KMeans SMOTEオーバーサンプリングデータ上で最高F1スコアを達成する。
論文参考訳（メタデータ） (2022-08-28T17:09:44Z)
Predicting Credit Risk for Unsecured Lending: A Machine Learning Approach [0.0]
本研究は、無担保貸付(クレディットカード)の信用デフォルトを予測するための、同時代の信用評価モデルを構築することを目的とする。本研究は,光グラディエントブースティングマシン(LGBM)モデルにより,学習速度の向上,効率の向上,データボリュームの大規模化を実現していることを示す。このモデルの導入により、商業融資機関や銀行の意思決定者に対する信用デフォルトのより良いタイムリーな予測が可能になると期待している。
論文参考訳（メタデータ） (2021-10-05T17:54:56Z)
Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes [61.20223338508952]
信用リスクモデリングは重要な役割を果たす。近年,機械学習や深層学習の手法が採用されている。この分野における説明可能性問題に LIME 手法を適用することを提案する。
論文参考訳（メタデータ） (2020-12-30T10:27:59Z)
Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文参考訳（メタデータ） (2020-07-17T01:52:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。