Fugu-MT 論文翻訳(概要): Bank Loan Prediction Using Machine Learning Techniques

論文の概要: Bank Loan Prediction Using Machine Learning Techniques

arxiv url: http://arxiv.org/abs/2410.08886v1
Date: Fri, 11 Oct 2024 15:01:47 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 21:26:05.842810
Title: Bank Loan Prediction Using Machine Learning Techniques
Title（参考訳）: 機械学習を用いた銀行ローン予測
Authors: F M Ahosanul Haque, Md. Mahedi Hassan,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Banks are important for the development of economies in any financial ecosystem through consumer and business loans. Lending, however, presents risks; thus, banks have to determine the applicant's financial position to reduce the probabilities of default. A number of banks have currently, therefore, adopted data analytics and state-of-the-art technology to arrive at better decisions in the process. The probability of payback is prescribed by a predictive modeling technique in which machine learning algorithms are applied. In this research project, we will apply several machine learning methods to further improve the accuracy and efficiency of loan approval processes. Our work focuses on the prediction of bank loan approval; we have worked on a dataset of 148,670 instances and 37 attributes using machine learning methods. The target property segregates the loan applications into "Approved" and "Denied" groups. various machine learning techniques have been used, namely, Decision Tree Categorization, AdaBoosting, Random Forest Classifier, SVM, and GaussianNB. Following that, the models were trained and evaluated. Among these, the best-performing algorithm was AdaBoosting, which achieved an incredible accuracy of 99.99%. The results therefore show how ensemble learning works effectively to improve the prediction skills of loan approval decisions. The presented work points to the possibility of achieving extremely accurate and efficient loan prediction models that provide useful insights for applying machine learning to financial domains.
Abstract（参考訳）: 銀行は、消費者やビジネスローンを通じて、あらゆる金融エコシステムにおける経済の発展に重要である。しかし、貸与はリスクを生じさせるため、銀行はデフォルトの確率を減らすために、応募者の財務的地位を決定する必要がある。そのため、現在、多くの銀行がデータ分析と最先端技術を採用し、そのプロセスにおけるより良い意思決定に到達している。機械学習アルゴリズムを適用する予測モデリング手法により、返済確率が規定される。本研究プロジェクトでは,ローン承認プロセスの精度と効率をさらに向上するために,いくつかの機械学習手法を適用する。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。対象のプロパティはローンのアプリケーションを「承認」グループと「承認」グループに分離します。さまざまな機械学習技術、すなわち、決定木分類、AdaBoosting、ランダムフォレスト分類、SVM、GaussianNBが使用されている。その後、モデルは訓練され、評価された。中でも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。以上の結果から,アンサンブル学習が,ローン承認決定の予測能力の向上に有効であることを示す。提示された作業は、金融分野に機械学習を適用する上で有用な洞察を提供する、極めて正確で効率的なローン予測モデルを達成する可能性を示している。

関連論文リスト

A machine learning workflow to address credit default prediction [0.44943951389724796]
信用デフォルト予測(CDP)は個人や企業の信用力を評価する上で重要な役割を果たす。 CDPを改善するためのワークフローベースのアプローチを提案する。これは、借り手が信用義務を負う確率を評価するタスクを指す。
論文参考訳（メタデータ） (2024-03-06T15:30:41Z)
Inclusive FinTech Lending via Contrastive Learning and Domain Adaptation [9.75150920742607]
フィンテックの貸与は、財政的包摂の促進に重要な役割を果たしてきた。ローン審査中にアルゴリズムによる意思決定にバイアスがかかる可能性があるという懸念がある。自己教師付きコントラスト学習とドメイン適応を用いたトランスフォーマーに基づくシーケンシャルローンスクリーニングモデルを提案する。
論文参考訳（メタデータ） (2023-05-10T01:11:35Z)
Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文参考訳（メタデータ） (2023-04-15T19:22:37Z)
Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文参考訳（メタデータ） (2022-03-07T18:59:54Z)
Selective Credit Assignment [57.41789233550586]
選択的クレジット代入のための時間差アルゴリズムについて統一的な視点を述べる。価値に基づく学習と計画アルゴリズムへの重み付けの適用に関する洞察を提供する。
論文参考訳（メタデータ） (2022-02-20T00:07:57Z)
Managers versus Machines: Do Algorithms Replicate Human Intuition in Credit Ratings? [0.0]
銀行経営者の行動を再現できる機械学習アルゴリズムを見つけることができることを示す。アルゴリズムへの入力は、銀行のマネージャーが利用できる標準的な財務情報とソフト情報の組み合わせから成り立っている。本研究は、銀行業務における機械学習に基づく分析手法の有効性と、金融セクターにおける高度な業務への潜在的課題を明らかにするものである。
論文参考訳（メタデータ） (2022-02-09T01:20:44Z)
Individual Explanations in Machine Learning Models: A Survey for Practitioners [69.02688684221265]
社会的関連性の高い領域の決定に影響を与える洗練された統計モデルの使用が増加しています。多くの政府、機関、企業は、アウトプットが人間の解釈可能な方法で説明しにくいため、採用に消極的です。近年,機械学習モデルに解釈可能な説明を提供する方法として,学術文献が多数提案されている。
論文参考訳（メタデータ） (2021-04-09T01:46:34Z)
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)
Learning Models for Actionable Recourse [31.30850378503406]
本研究では, リスクの高い個人に対して, 精度を犠牲にすることなく, 理論的に言論を保証するアルゴリズムを提案する。実データに対する広範な実験により,本手法の有効性を実証する。
論文参考訳（メタデータ） (2020-11-12T01:15:18Z)
Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
論文参考訳（メタデータ） (2020-05-09T01:32:03Z)
Predicting Bank Loan Default with Extreme Gradient Boosting [0.0]
ローンのデフォルト予測には、XGBoostと呼ばれるExtreme Gradient Boostingアルゴリズムを使用します。この予測は、ローン申請と申請者の人口統計の両方のデータセットを考慮に入れた、指導的銀行からのローンデータに基づいている。
論文参考訳（メタデータ） (2020-01-18T18:52:10Z)

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。