Model oceny zdolności kredytowej oparty na klasyfikatorze neuronowym

• Autorzy: Piotr Jędrzejowicz
• Języki publikacji: PL

Abstrakty

W pracy zaproponowano podejście do oceny zdolności kredytowej oparte na wykorzystaniu sztucznej sieci neuronowej uczonej za pomocą hybrydowego algorytmu ewolucyjnego. Celem pracy jest eksperymentalne potwierdzenie hipotezy, że nawet stosunkowo prosta struktura zastosowanej sztucznej sieci neuronowej może być podstawą do zbudowania dobrego klasyfikatora pod warunkiem, że sieć taka będzie uczona za pomocą skutecznego i efektywnego algorytmu uczenia. W kolejnych częściach pracy zaproponowano architekturę sztucznej sieci neuronowej do oceny zdolności kredytowej oraz sformułowano problem jej uczenia pod nadzorem, a następnie przedstawiono wyniki eksperymentu obliczeniowego przeprowadzonego na dwóch znanych benchmarkowych zbiorach danych. Przeprowadzony eksperyment potwierdził zasadniczą hipotezę pracy. (abstrakt oryginalny)

Słowa kluczowe

PL

Zdolność kredytowa; Uczenie sieci neuronowych; Instytucje finansowe; Algorytmy genetyczne

EN

Credit capacity; Learning of neural networks; Financial institutions; Genetic algorithms

• Czasopismo: Monografie i Opracowania / Szkoła Główna Handlowa
• Rocznik: 2010
• Numer: nr 570 Współczesne aspekty informacji. T. 2
• Strony: 275--284

Twórcy

autor

Piotr Jędrzejowicz

Bibliografia

• Brill, J.: The importance of credit scoring models in improving cash flow and conditions, Busi¬ness Credit, 1998, 1, 16-18.
• Chen, M.-C. S.-H. Huang: Credit scoring and rejected instances reassigning through evoolutionary computation techniques, Expert Systems with Application, 2003, 24,433-441.
• Czarnowski I., Jędrzejowicz P.: An approach to Artificial Neural Network Training, "Research and Development in Intelligent Systems" 2003, XIX, Springer, 149 - 162.
• Czarnowski, I., P. Jędrzejowicz: An agent-based approach to ANN training, "Knowledge-Based Systems", 2006, nr 19, 304-308.
• Glover, F., M. Laguna: Tabu Search, Kluver Academic Publishers, Boston, 1999.
• Hsieh, N.-C.: Hybrid mining approach in the design of credit scoring models, Expert Systems with Application, 2005, 28, 655-665.
• Huang, C.-L., M.-C. Chen, C.-J. Wang: Credit Scoring with a data mining approach based on support vector machines, Expert Systems with Applications, 2007, 33, 847-856.
• Last, M., O. Maimon: A Compact and Accurate Model for Classification, IEEE Transactions on Knowledge and Data Engineering, 2004, 16(2), 203-215.
• Lee, T. S., C.C Chiu, C. J. Lu, I.F. Chen: Credit scoring using the hybrid neural discriminant technique, Expert Systems with Applications, 2002, 23(3), 245-254.
• Lee, T.-S., I.-F. Chen: A two-stage hybrid credit scoring model using artificial neural networks and multivariate adaptive regression splines, Expert Systems with Application, 2005, 28, 743 -752.
• Michalewicz, Z.: Algorytmy genetyczne + Struktury danych = Programy ewolucyjne, Wydawnictwa Naukowo-Techniczne, Warszawa, 1999.
• Murphy, P.M., D.W. Aha: UCI Repository of machine learning databases, Department of Information and Computer Science, University of California, Irvine, 2001, http://www.ics.uci.edU/~mlearn/L.Repository.htmI
• Reichert, A.K., C.C. Cho, G. M. Wagner: An examination of the conceptual issues involved in developing credit-scoring models, Journal of Business and Economic Statistics, 1983, 1,101- 114.
• Vellido, A., P J.G. Lisboa, J. Vaughan: Neural network in business: a survey of applications (1992-1998), Expert Systems with Application, 1999, 17(1), 51-70.
• West, D.: Neural network credit scoring models, Computers and Operations Research, 2000, 27,1131-1152.