Téléchargement | - Voir le manuscrit accepté : Cost-Effective Classification for Credit Decision-Making (PDF, 202 Kio)
|
---|
Auteur | Rechercher : Karakoulas, G. |
---|
Format | Texte, Article |
---|
Conférence | Third International Conference on Artificial Intelligence Applications on Wall Street (AIAW'95), June 7-9, 1995, New York, New York, USA |
---|
Sujet | credit scoring; cote de crédit; apprentissage par renforcement |
---|
Résumé | Il y a un besoin toujours croissant de systèmes de prise de décision en matière de crédit qui puissent analyser de façon dynamique les données historiques et apprendre les relations complexes entre les attributs les plus importants d'évaluation de prêt. Dans cet article, nous proposons l'application d'un nouvel algorithme d'apprentissage machine, soit QLC, pour analyser le crédit dans le cas de prêts au consommateur. L'algorithme apprend comment classifier un prêt en minimisant le coût prévu dû à la fois aux dépenses de l'enquête sur le crédit et à une erreur possible de classification. QLC se fonde sur l'apprentissage par renforcement. Un ensemble de données de prêts réels sert à évaluer l'algorithme. Les expériences citées montrent que QLC a une meilleure performance que d'autres algorithmes sensibles au coût dans cet ensemble de données. |
---|
Date de publication | 1995 |
---|
Dans | |
---|
Langue | anglais |
---|
Numéro du CNRC | NRCC 38385 |
---|
Numéro NPARC | 5764328 |
---|
Exporter la notice | Exporter en format RIS |
---|
Signaler une correction | Signaler une correction (s'ouvre dans un nouvel onglet) |
---|
Identificateur de l’enregistrement | 4075460a-b62b-4be8-a3d6-e8f0cb28aecb |
---|
Enregistrement créé | 2009-03-29 |
---|
Enregistrement modifié | 2020-04-29 |
---|