Aug, 2022

自然语言处理数据集机器学习模型评估与特征重要性分析

PDF
TL;DR该研究使用机器学习模型，对埃塞俄比亚一家私人银行提供的数据进行分析，发现 XGBoost 模型在 KMeans SMOTE 过采样数据上取得了最高的 F1 分数，而评估信贷风险时，申请人的年龄、就业年限和总收入等因素比抵押相关的因素更为重要。
non-performing loanscredit riskmachine learningfeature selectionxgboost
发现论文，激发创造
  • 信用卡评分预测基于机器学习模型的新数据集

    本研究利用机器学习模型对信用卡违约进行预测，通过一系列实验和数据处理技术，结果表明多层感知器神经网络（MLP）在预测信用卡违约和评估潜在风险方面表现优越，帮助银行等金融机构更早地预测贷款违约。

    Oct, 2023

  • 基于 LightGBM 和特征工程的高效商业银行客户信用风险评估

    本文基于 Kaggle 中一家外国商业银行的客户信息数据集，使用 LightGBM 算法构建分类器对客户进行分类，以帮助银行判断客户信用违约的可能性。通过特征工程处理，如缺失值处理、编码、不平衡样本等，极大地提高了机器学习效果。本文的主要创新在于在原始数据集的基础上构建了新的特征属性，使分类器的准确率达到了 0.734，AUC 达到了 0.772，超过了许多基于相同数据集的分类器。该模型可以为商业银行的信用授予提供一些参考，同时也为其他类似研究提供了一些特征处理的思路。

    Aug, 2023

  • 基于 NLP 聚类和机器学习的信用风险模型问题分析：来自验证报告的洞见

    本文旨在探究如何使用聚类方法和机器学习算法，包括自然语言处理（NLP），通过验证报告中所包含的文本信息，来识别和分类信用风险模型中存在的问题。作者使用了嵌入式生成以及四个不同的预训练模型来分析 645 个所得发现的标题和观察结果，并使用各种聚类方法来将具有相似特征的发现进行分组，从而更有效地识别和分类每个验证维度和严重程度中存在的常见问题。在分析结果中，作者证明了聚类和机器学习可以有效地分析验证报告中的文本信息，并提供了信用风险模型开发和验证中遇到问题的洞见。

    Jun, 2023

  • 高级支付安全系统：XGBoost、CatBoost 和 SMOTE 集成

    利用 XGBoost 和 LightGBM 等机器学习模型，通过应用先进的机器学习模型和数据处理技术，本研究开发了一种更准确、更稳健的支付安全保护模型，有效提升了交易欺诈预防的能力。

    Jun, 2024

  • 合奏方法：使用 LightGBM、XGBoost 和 LocalEnsemble 进行信用违约预测的创新

    在消费借贷领域，准确的信贷违约预测是风险缓解和借贷决策优化的关键要素，本研究通过引入创新方法挑战传统模型，构建了一个由 LightGBM、XGBoost 和 LocalEnsemble 模块组成的集成方法框架，通过利用独特的特征集直接解决了之前研究中的局限性，旨在为信贷违约预测准确性建立新的标准，实验证明了集成模型在数据集上的有效性，为推动信贷违约预测模型的准确性和稳健性树立了先例。

    Feb, 2024

  • 预测谁将换工作

    人力资源部门面临预测申请人是否寻找新工作或留在公司的挑战。本论文讨论了机器学习如何用于预测谁将转到新工作，采用数据预处理以适合机器学习模型，处理分类特征，应用数据编码和多个机器学习算法，包括随机森林、逻辑回归、决策树和极端梯度提升。为提高机器学习模型的性能，使用合成少数类过采样技术 (SMOTE) 进行改进，采用决策支持指标，如精确度、召回率、F1-Score 和准确度进行评估。

    Sep, 2023

  • 机器学习算法和特征提取技术的可预测性

    本论文研究了基于矩阵分解的预测系统，旨在预测特定数据集上特定模型的分类准确性。通过超过 50 个数据集的全面实证研究，着重于研究三种基础机器学习算法（随机森林、XGBoost 和 MLP）的性能预测，包括粗调和变体微调模型的可预测性，利用特征提取技术实现 MLP 的可预测性，以及使用隐式反馈来预测模型性能。

    Apr, 2023

  • 通过机器学习预测 P2P 借贷平台的失败：中国案例

    利用机器学习模型预测中国的 P2P 借贷平台的失败，通过筛选方法和包装方法，建立了一个严格而实用的预测平台失败的变量的程序。研究确定了一组在不同选择方法和模型中一致出现在特征子集中的可靠变量，表明它们在预测平台失败方面的可靠性和相关性。本研究的发现对于在中国 P2P 借贷行业中进行监管的机构和投资者具有重要的实际意义。

    Nov, 2023

  • 深度学习与梯度提升：信用评分领域最先进机器学习算法的基准测试

    这篇文章针对金融服务公司中的信用风险管理问题，对比了深度学习和梯度增强机在不同特征数据集上的表现，结果发现梯度增强机更为强大、运算速度更快，在大多数情况下是信用评分的最佳解决方案。

    May, 2022

  • 游戏化学习环境中学生表现建模

    研究了基于游戏的学习在教育游戏 “Jo Wilder and the Capitol Case” 中的应用，使用 K-Nearest Neighbors (KNN)、Multi-Layer Perceptron (MLP) 和 Random Forest 等机器学习模型预测学生表现，通过适当的数据预处理技术提高非深度学习模型的性能，提供优化教育游戏体验的见解，以促进学生成果和技能发展。

    Sep, 2023