|
Title
|
رتبه بندی اعتباری بر اساس ترکیب یادگیری گروهی و روش های مدیریت داده های نامتوازن
|
|
Type of Research
|
Thesis
|
|
Keywords
|
رتبه بندی اعتباری، یادگیری گروهی، داده های نامتعادل، ریسک اعتباری، روش های تولید داده، طبقه بندهای ترکیبی
|
|
Abstract
|
رتبه بندی اعتباری رویکردی برای افزایش دقت در فرآیند تصمیم گیری های مالی موسسات است و برای مقابله با ریسک تخصیص و یا عدم تخصیص اعتبار به یک نامزد اعتباری، در حین درخواست برای یک محصول اعتباری ایجاد شده است. یکی از چالش برانگیزترین موضوعات در رتبه بندی اعتباری، عدم تعادل داده ها است که بر روی دقت طبقه بندی مدل های رتبه بندی تاثیر منفی داشته و می تواند منجر به پیش بینی های نادرست شود؛ از این رو مدل های ارائه شده باید عدم تعادل داده ها را مدیریت کنند تا بتوانند کارایی مناسبی داشته باشند. این مدل ها باید ارزیابی مناسبی را با توجه به داده های اجتماعی، پولی و سایر داده های مربوط به متقاضی وام، که در زمان درخواست وام جمع آوری می شوند، ارائه کنند. ورود هوش مصنوعی به حوزه بانکی و اثرگذاری آن در این حوزه با عنوان اعتبارسنجی، توانست بیشتر موسسات را از خطر ورشکستگی و نابودی نجات دهد. مدل هایی که براساس طبقه بندی کننده های گروهی ایجاد شده اند، نسبت به طبقه بندی کننده های منفرد اغلب از دقت پیش بینی بیشتری برخوردارند؛ چرا که ایده اصلی یادگیری گروهی و طبقه بندهای ترکیبی این باور است که طبقه بندهای منفرد می توانند کاستی ها و محدودیت های یکدیگر را پوشش دهند. در برخی از مدل های کنونی سعی شده به دلیل عدم تعادل داده ها، پیش بینی ها نسبت به کلاس اکثریت سوگیری نکرده و موجب بیش برازش نشوند و در تمامی راه حل های ارائه شده برای رتبه بندی اعتباری هدف کاهش میزان خطای پیش بینی بوده است. با این وجود مدل های ارائه شده به دلیل عدم تعادل داده ها، بر روی دیتاست های مختلف نتایج متفاوتی داشته اند. از این رو ارائه روشی که بتواند عدم تعادل داده ها را به خوبی مدیریت کند همچنان یک چالش است.
|
|
Researchers
|
(Student)، Jalil Ghavidel Neycharan (Primary Advisor)، Hossein Abbasimehr (Advisor)
|