0% Complete
صفحه اصلی
/
دهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها
Enhancing Credit Risk Assessment Using Bagging of Machine Learning Models
نویسندگان :
Nima Mahmoodian
1
Reza Ghasemi Yaghin
2
1- دانشگاه صنعتی امیرکبیر (پلیتکنیک تهران)
2- دانشگاه صنعتی امیرکبیر (پلیتکنیک تهران)
کلمات کلیدی :
Credit score prediction،Bagging،Ensemble learning،Supervised learning،Machine learning،Sampling techniques
چکیده :
In today's highly competitive world, one of the major challenges for businesses is increasing sales. To achieve this, businesses adopt various strategies. One such strategy is offering credit payments. Credit payments are designed to alleviate the constraints customers face with immediate and cash payments. Not only does this method facilitate payment for customers, but it also increases the risk for businesses, as they face the possibility of non-repayment by the customer. This issue can be addressed using data-driven solutions and machine-learning techniques. Machine learning models can be trained using customer information, analyzing whether they have fully repaid their loans or defaulted, and subsequently predict whether a new customer will repay their credit. Essentially, this problem becomes a binary classification task. In this study, the Lending Club dataset is examined, and a pipeline for data cleaning and feature engineering based on a filter and, secondly, a wrapper method that uses a Random Forest classifier is proposed. Bagging models are then trained and tested using under-sampling and over-sampling techniques, and the performance of these models is compared with conventional models in the field of credit risk evaluation. It is observed that bagging machine learning models yield over 93% AUC score compared to 71% AUC score when these models are used individually.
لیست مقالات
لیست مقالات بایگانی شده
شبیه سازی و تحلیل ریسک خروج از خط قطار حامل سیکلوهگزانون در آمریکا
مریم حسین زائی - کوثر عباسی - زهرا حقیقی - سبحان محمدپور - امیرحسین گل آبادی - مرتضی باقری
اولویتبندی منابع انرژیهای تجدیدپذیر به کمک الگوریمهای توسعه یافته تصمیمگیری چند معیاره (روشهای PAPRIKA و PAMSSEM)
المیرا شهناز - حمیدرضا کوشا - سروش صفرزاده
ارائه مدل ارتقای دانش تشخیص COVID-19 مبتنی بر یادگیری ماشین (مطالعه موردی: بیمارستان)
الهام عبادی جامخانه - محمد وحید سبط - ارد احمدی
Identifying Key Factors in Traffic Accident Severity: A SHAP and Machine Learning Approach in North Carolina
Kimia Fazli Garmestani - Reza Samizadeh
یک رویکرد ریسکگریز برای مسئلهی طراحی شبکههای تندروی مبتنی بر هاب تصادفی
ملیحه فلاح تفتی - محبوبه هنرور - احمد صادقیه - رضا توکلی مقدم
تحلیل تاثیر حداقل دستمزد و ابزارهای سیاستی دولت و تعادل بازارکار براساس چارچوب بازی های ایستا
مهسا گوگل
بهینهسازی برنامهریزی تولید و تأمین در شرایط عدم قطعیت قیمت و تقاضا با رویکرد برنامهریزی تصادفی دو مرحلهای
علی اصغر میری - حسین نقابی
توسعه یک مدل ابتکاری برای پیش بینی قیمت در فروشگاه های آنلاین
امیرصادق میرگلوی بیات - علی شجاع - بهلول ابراهیمی
بهینهسازی آرمانی برای برنامهریزی تولید ادغامی در صنعت خودرو با در نظر گرفتن تحریمها
حمید نعمتی - مرضیه خاکستری - رضا توکلی مقدم
ارائه یک مدل کارآمد برای پیش بینی صفحه بعد کاربر با استفاده از ترکیب دوگانه الگوریتم بهینهسازی جغرافیای زیستی و سیستم استنتاج عصبی-فازی سازگار
مجید عبدالرزاق نژاد - شکوه پورمحی آبادی
بیشتر
ثمین همایش، سامانه مدیریت کنفرانس ها و جشنواره ها - نگارش 43.7.0
