دانلود مقاله isi مقایسه روشهای پیش بینی اعتبار پیش فرض اعتبار وام با همکار

دانلود مقاله isi مقایسه روشهای پیش بینی اعتبار پیش فرض اعتبار وام با همکار و همکار با استفاده از آموزش ماشین

زبان مقاله: انگلیسی
سال انتشار: 2019

وام اجتماعی یا وام دهی به همکار (وام p2p) به عنوان یک بستر دیجیتال پایدار پدید آمده است که در آن وام دهندگان و وام گیرندگان می توانند بدون دخالت مؤسسات مالی فعالیت خود را انجام دهند. وام P2p اخیراً با پیشرفت برخی از سکوها به گردش وام میلیارد دلار رسیده است. با این حال ، سیستم عامل های اعطای وام p2p عاری از هرگونه خطری نیست. بازده بالاتر از سرمایه گذاری برای سرمایه گذار با ریسک وام و بازپرداخت بهره حاصل می شود. برای این منظور ، این تحقیق یک روش طبقه بندی بر پایه درخت را برای پیش بینی اینکه وام قبل از تصویب وام بد می رود یا پیش فرض ارائه می دهد ، پیشنهاد می کند. ابعاد بالا از مجموعه داده ها نیاز به پردازش و انتخاب دقیق دارد. در این مقاله PSO دودویی با SVM برای انجام انتخاب ویژگی ها برای مجموعه داده ها و Tree Extreme Randomized Tree (ERT) و جنگل تصادفی (RF) به عنوان طبقه بندی کننده پیشنهاد شده است. در این تحقیق ، BPSOSVM-ERT و BPSOSVM-RF با چندین معیار عملکرد مقایسه می شوند. نتایج تجربی نشان می دهد که BPSOSVM بدون کاهش عملکرد از ویژگی های اصلی می تواند زیر مجموعه ای از ویژگی ها را تولید کند و ERT می تواند RF را در چندین معیار عملکرد بهتر کند.


Social lending or peer to peer lending (p2p lending) has emerged as a viable digital platform where lenders and borrowers can do business without the involvement of financial institutions. P2p lending has gained significant momentum recently, with some platform has reached billion-dollar loan circulation. However, p2p lending platforms are not free from any form of risks. A higher return on investment for investor comes with a risk of the loan and interest not being repaid. For this purpose, this research proposes a tree-based classification method for predicting whether a loan will go bad or default before the loan is approved. The high dimensionality of the dataset needs to be processed and chosen carefully. This paper proposes a Binary PSO with SVM to perform feature selection for the dataset and Extremely Randomized Tree (ERT) and Random Forest (RF) as the classifiers. In this research, BPSOSVM-ERT and BPSOSVM-RF are compared with several performance metrics. The experimental results show BPSOSVM can produce subset of features without decreasing the performance from the original features and ERT can outperform RF in several performance metrics.