.png){kind=icon}
返回
Improving SME default prediction through context-enriched classification models
.png){kind=icon}
PRE
AI
DOI：10.1007/s11590-025-02241-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在当今快速变化的市场中，企业依靠高效且有效的企业违约预测系统以保持竞争力已成为必然要求。为全面理解市场变化，考虑经济金融信息与情境因素至关重要。本研究从可解释的角度探讨了针对中小企业（SMEs）的企业违约预测，展示了纳入情境信息以改进风险评估的重要性。该研究分析了来自意大利建筑行业的SMEs数据集，考虑了行业特定指标的重要性，并采用标准的可解释分类算法评估了多种模型。随后比较了包含与不包含情境数据的分类结果，并分析了其性能。研究结果证实，整合情境数据可提升分类模型的性能，在准确率、AUROC和特异度等指标上均有改进。此外，情境增强数据有助于实现变量收益的更均衡分布，提高模型稳健性并限制过拟合风险。本研究丰富了现有关于SME违约预测的文献，尤其强调了情境信息在提升模型可解释性与性能中的关键作用。
Keyword:
Explainability
Statistical computing
Multivariate analysis
期刊
O
IF:
1.1
论文数:
72
被引数:
2.4K
机构
引用论文
THE MEANING AND USE OF THE AREA UNDER A RECEIVER OPERATING CHARACTERISTIC (ROC) CURVE受试者工作特征 (ROC) 曲线下面积的含义和用途.png)
RADIOLOGY
RADIOLOGYIF15.2
PREAI
分享收藏分享收藏
XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏
查看更多内容