文件名称:不同特征选择和机器学习方法的信用评分模型研究-研究论文
文件大小:994KB
文件格式:PDF
更新时间:2024-06-08 12:50:57
Credit scoring F-measure False positive
当前的计算工作集中在信用评分上。 通过使用不同的特征选择方法和机器学习分类器,已显示出信用评分模型的改进。 在本文中,我们对不同的机器学习分类器(例如贝叶斯,朴素贝叶斯,SVM(支持向量机),决策树,随机森林)进行了比较分析,并且用于分析的特征选择技术是卡方,信息-增益和增益比。 考虑了不同的度量标准来分析模型的性能(例如误报率,F度量和训练时间)。 经过分析,找到了最佳分类器和特征选择算法。 在这项研究中,就良好的性能准确性和低的误报率而言,发现随机森林和信息增益的组合在所有其他方法中是最好的。 但是,这种组合的训练时间更多。 SVM的结果与随机森林相当。