Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá tín dụng sử dụng máy vector hỗ trợ với phương pháp tìm kiếm trực tiếp để lựa chọn tham số
Tóm tắt
Máy vector hỗ trợ (SVM) là một công cụ hiệu quả để xây dựng các mô hình đánh giá tín dụng tốt. Tuy nhiên, hiệu suất của mô hình phụ thuộc vào cách thiết lập các tham số của nó. Trong nghiên cứu này, chúng tôi sử dụng phương pháp tìm kiếm trực tiếp để tối ưu hóa mô hình đánh giá tín dụng dựa trên SVM và so sánh nó với ba phương pháp tối ưu hóa tham số khác, bao gồm tìm kiếm lưới, phương pháp dựa trên thiết kế thí nghiệm (DOE) và thuật toán di truyền (GA). Hai tập dữ liệu tín dụng thực tế được chọn để chứng minh hiệu quả và tính khả thi của phương pháp. Kết quả cho thấy rằng phương pháp tìm kiếm trực tiếp có thể tìm ra mô hình hiệu quả với độ chính xác phân loại cao và độ vững chắc tốt, đồng thời ít phụ thuộc vào không gian hoặc điểm tìm kiếm ban đầu.
Từ khóa
#máy vector hỗ trợ #đánh giá tín dụng #tối ưu hóa tham số #tìm kiếm trực tiếp #thuật toán di truyềnTài liệu tham khảo
Baesens B, Gestel TV, Viaene S, Stepanova M, Suykens J, Vanthienen J (2003) Benchmarking state-of-the-art classification algorithms for credit scoring. J Oper Res Soc 54: 627–635
Desai VS, Conway DG, Crook JN, Overstreet GA Jr. (1997) Credit-scoring models in the credit-union environment using neural networks and genetic algorithms. IMA J Manage Math 8(4): 323–346
Gao J (2007) Credibilistic game with fuzzy information. J Uncertain Syst 1(1): 74–80
Gehrlein WV, Wagner BJ (1997) A two-stage least cost credit scoring model. Ann Oper Res 74(1–4): 159–171
Gestel TV, Baesens B, Garcia J, Dijcke PV (2003) A support vector machine approach to credit scoring. Bank en Financiewezen 2: 73–82
Glover F (1990) Improved linear programming models for discriminant analysis. Dec Sci 21(4): 771–785
Hardy WE Jr., Adrian JL Jr. (1985) A linear programming alternative to discriminant analysis in credit scoring. Agribusiness 1(4): 285–292
Henley WE, Hand DJ (1997) Construction of a k-nearest-neighbour credit-scoring system. IMA J Manage Math 8(4): 305–321
Huang CL, Chen MC, Wang CJ (2007) Credit scoring with a data mining approach based on support vector machines. Expert Syst Appl 33(4): 847–856
Jensen HL (1992) Using neural networks for credit scoring. Manage Financ 18(6): 15
Lai KK, Yu L, Zhou LG, Wang SY (2006) Credit risk evaluation with least square support vector machine. Lect Notes Artif Intell 4062: 490–495
Makowski P (1985) Credit scoring branches out. Credit World 74(2): 30–37
Myers JH, Forgy EW (1963) The development of numerical credit evaluation systems. J Am Stat Assoc 58(303): 799–806
Rosenberg E, Gleit A (1994) Quantitative methods in credit management: a survery. Oper Res 42(4): 589–613
Schebesch KB, Stecking R (2005) Support vector machines for classifying and describing credit applicants: detecting typical and critical regions. J Oper Res Soc 56(8): 1082–1088
Staelin C (2003) Parameter selection for support vector machines. In: Tech Rep. HP Laboratories, Israel
Suykens JAK, Gestel TV, Brabanter JD, Moor BD, Vandewalle J (2002) Least squares support vector machines. World Scientific, Singapore
The MathWorks Inc. (2007) MATLAB genetic algorithm and direct search toolbox, version 2.1. Natick
Thomas LC (2000) A survey of credit and behavioural scoring: forecasting financial risk of lending to consumers. Int J Forecast 16(2): 149–172
Vapnik VN (2000) The nature of statistical learning theory, 2nd edn. Springer, New York
Yobas MB, Crook JN, Ross P (2000) Credit scoring using neural and evolutionary techniques. IMA J Manage Math 11(2): 111–125
West D (2000) Neural network credit scoring models. Comput Oper Res 27(11–12): 1131–1152
Wiginton JC (1980) A note on the comparison of logit and discriminant models of consumer credit behavior. J Financ Quant Anal 15(3): 757–770