.png){kind=icon}
返回
Features Selection for Credit Risk Prediction Problem
.png){kind=icon}
PRE
AI
DOI：10.1007/s10796-024-10559-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
信用风险评估已引起研究人员和金融机构的极大兴趣。事实上，将申请人分类为违约客户或非违约客户有助于银行做出合理决策。申请人的分类基于一组过去贷款的历史信息。分析数据集可能包含不同的特征，其中许多可能与决策过程无关。保留无关特征或遗漏相关特征可能是有害的，会导致生成低质量模式，进而可能导致决策混乱。确定一组适当的预测因子是信用风险预测研究中的一个重要挑战，这能保证更好的决策制定。其任务是寻找能提供最高准确性和可解释性的最小特征子集。因此，本研究提出了基于特征选择的信用风险评估分类模型。为此，应用了五种算法：Speed-constrained Multi-objective PSO (SMPSO)、Non-dominated Sorting Algorithm (NSGA-II)、Sequential Forward Selection (SFS)、Sequential Forward Floating Selection (SFFS)和Random Subset Feature Selection (RSFS)。所选子集基于三种分类器（K-Nearest Neighbors (KNN)、Support Vector Machine (SVM)和Artificial Neural Network (ANN)）进行评估。本研究提出的模型使用三个真实世界的信用数据集进行验证。获得的结果证实，与现有模型相比，SMPSO-KNN模型在选取最重要特征和提供最高分类准确率方面具有效率。
Keyword:
Feature selection
Credit risk classification
Multi-objective optimization
期刊
IF:
8.3
论文数:
2.0K
被引数:
6.5K
机构
引用论文
.png){kind=icon}
查看更多内容