network models classify bad loans m

network models classify bad loans more accurately than either linear discriminant analysis or
logistic regression [13]. Piramuthu [16] compares a multilayer perceptron neural network and
a neural-fuzzy model in three credit scoring applications: Quinlan's credit card data [19], a small
loan default data set [20], and the Texas bank failure data [7]. The neural network model achieved
an overall accuracy of 83.56% on Quinlan's credit card data based on 10 repetitions and a single
data partition. The neural fuzzy model was almost 6% less accurate than the multilayer perceptron
across all three data sets [16]. The use of decision trees and a multilayer perceptron neural network
for credit card application scoring are studied by Davis et al. [9]. Their results are based on a single
data partition and a single neural network trial. The authors conclude that the multilayer
perceptron neural network and the decision tree model both have a comparable level of decision
accuracy [9]. Jensen [14] develops a multilayer perceptron neural network for credit scoring with
three outcomes: obligation charged o! (11.2%), obligation delinquent (9.6%), and obligation
paid-o!. Jensen reports a correct classi"cation result of 76}80% with a false positive rate (bad
credit risk classi"ed as good credit) of 16% and a false negative rate (good credit risk classi"ed as
bad credit) of 4%. Jensen concludes that the neural network has potential for credit scoring
applications based on results from a single data partition tested on only 50 examples [14].
The research available on predicting "nancial distress, whether conducted at the "rm or
individual level suggests that neural network models show potential yet lack an overwhelming
advantage over classical statistical techniques. In the quest for small fractional improvement in
predictive accuracy, it is necessary to investigate several neural network architectures and to use
a rigorous experimental methodology to establish performance di!erences between models. Many
of the previous studies are exploratory in nature, using only a single data partition to establish
training and test samples. This may lead to bias in the estimation of classi"cation accuracy on
holdout samples. In many cases, only a single trial of the neural network model is employed. The
stochastic nature of the neural network training process requires a number of repetitions to
estimate an expected accuracy level. The most common test used to establish statistically signi"-
cant di!erences between credit scoring models is a di!erence of two proportions or a paired
di!erence t test. Dietterich has shown these tests should never be used for comparing supervised
learning models because of the high probability of Type 1 error associated with these tests [21].
This research investigates the potential for small improvements in credit scoring accuracy by
exploring "ve neural network architectures, with two real world data sets partitioned into training
and test sets with 10-fold cross validation. Ten repetitions of each neural network trial are used and
then the models are tested for signi"cant di!erences with McNemar's Chi Square test which has
been shown to be the most powerful test of model di!erences for supervised learning algorithms
[21].

ผลลัพธ์ (ไทย) 1:

รูปแบบเครือข่ายการจัดประเภทสินเชื่อที่ไม่ถูกต้องแม่นยำกว่าการวิเคราะห์ discriminant เส้นใด หรือโลจิสติกถดถอย [13] Piramuthu [16] เปรียบเทียบเครือข่ายประสาทเพอร์เซปตรอนหลายชั้น และโปรแกรมคะแนนเครดิตแบบประสาทเอิบในสาม: ข้อมูลของ Quinlan บัตรเครดิต [19], ขนาดเล็กชุดข้อมูลเริ่มต้นกู้ [20], และข้อมูลความล้มเหลวของ ธนาคารรัฐเทกซัส [7] แบบจำลองโครงข่ายประสาทรับแม่นยำโดยรวม 83.56% ข้อมูลบัตรเครดิตของ Quinlan ที่เดียวและทำซ้ำ 10พาร์ติชันข้อมูล แบบเอิบประสาทได้ถูกต้องน้อยกว่าเพอร์เซปตรอนหลายชั้นเกือบ 6%ระหว่างข้อมูลทั้งหมด 3 ชุด [16] การใช้ต้นไม้ตัดสินใจและเครือข่ายประสาทเพอร์เซปตรอนหลายชั้นสำหรับการให้คะแนนใบสมัครบัตรเครดิตได้ศึกษาโดย Davis et al. [9] ผลลัพธ์จะขึ้นอยู่กับซิงเกิลพาร์ติชันข้อมูลและข่ายประสาทเดียวทดลอง ผู้เขียนสรุปที่แบบ multilayerเพอร์เซปตรอนโครงข่ายประสาทและแบบต้นไม้ตัดสินใจทั้งสองได้ตัดสินใจในระดับเทียบเท่าความถูกต้อง [9] เจนเซน [14] พัฒนาเครือข่ายประสาทเพอร์เซปตรอนหลายชั้นสำหรับสินเชื่อที่ให้คะแนนด้วยผลสาม: ข้อผูกมัดคิด o (11.2%), ข้อผูกมัดการผิดนัดชำระหนี้ (9.6%), และข้อผูกมัดชำระเงิน-o เจนเซนรายงาน classi ถูก "76 } cation ผล 80% กับบวกเท็จอัตรา (ไม่ถูกต้องเครดิต classi เสี่ยง " ed เป็นเครดิตดี) 16% และอัตราติดลบเท็จ (เครดิตดีความเสี่ยง classi "ed เป็นเครดิตไม่ดี) 4% เจนเซนสรุปว่า เครือข่ายประสาทมีศักยภาพในการให้คะแนนเครดิตทดสอบโปรแกรมประยุกต์ตามผลลัพธ์จากพาร์ติชันเดียวข้อมูลในตัวอย่าง 50 เท่านั้น [14]การวิจัยที่ใช้ในการคาดการณ์ " nancial ทุกข์ ว่าทาง" rm หรือแต่ละระดับที่แนะนำแบบจำลองโครงข่ายประสาทแสดงศักยภาพ แต่ขาดการครอบงำเปรียบคลาสสิเทคนิคทางสถิติ ในการแสวงหาพัฒนาเศษเล็ก ๆ ในคาดการณ์แม่นยำ จำเป็น เพื่อตรวจสอบหลายสถาปัตยกรรมโครงข่ายประสาท และใช้วิธีการทดลองอย่างเข้มงวดเพื่อสร้างประสิทธิภาพดิ! erences ระหว่างรูปแบบการ หลายการศึกษาก่อนหน้านี้เป็นเชิงบุกเบิกในธรรมชาติ ใช้เฉพาะเป็นพาร์ติชันข้อมูลเดียวเพื่อสร้างตัวอย่างการฝึกอบรมและทดสอบ นี้อาจทำให้ความโน้มเอียงในการประเมินของ classi "cation ความถูกต้องในตัวอย่าง holdout ในหลายกรณี เป็นลูกจ้างเพียงคดีเดียวของแบบจำลองโครงข่ายประสาท ที่ธรรมชาติสโทแคสติกการฝึกอบรมเครือข่ายประสาทต้องการจำนวนการทำซ้ำเพื่อประเมินระดับความแม่นยำที่คาดการ ทดสอบทั่วไปที่ใช้ในการสร้างทางสถิติ signi "-ต้อนดิ! erences ระหว่างรูปแบบการให้คะแนนสินเชื่ออยู่ดิ! erence ของสัดส่วนสองหรือการจัดเป็นคู่ดิ! erence t ทดสอบ Dietterich ได้แสดงไม่ควรใช้การทดสอบเหล่านี้เพื่อการเปรียบเทียบแบบมีผู้สอนรูปแบบการเรียนรู้เนื่องจากความสูงของข้อผิดพลาดประเภท 1 ที่เกี่ยวข้องกับการทดสอบเหล่านี้ [21]งานวิจัยนี้ตรวจสอบศักยภาพในการปรับปรุงเล็ก ๆ ในสินเชื่อที่ให้คะแนนความถูกต้องโดยสำรวจ "ได้เครือข่ายประสาทสถาปัตยกรรม กับโลกจริงค่าแบ่งการฝึกอบรมและชุดทดสอบพร้อมตรวจสอบไขว้ 10-fold ทำซ้ำ 10 ของแต่ละเครือข่ายประสาทที่ทดลองใช้ และแล้วจะมีทดสอบแบบจำลองสำหรับ signi "ต้อนดิ! erences กับของ McNemar สแควร์ Chi ทดสอบซึ่งมีการแสดงจะเป็นการทดสอบที่มีประสิทธิภาพที่สุดของรุ่น di ! erences สำหรับอัลกอริทึมการเรียนรู้ที่มี[21]

ผลลัพธ์ (ไทย) 2:

รูปแบบเครือข่ายจัดชั้นสินเชื่อที่ไม่ดีถูกต้องมากขึ้นกว่าทั้งการวิเคราะห์จำแนกเชิงเส้นหรือการถดถอยโลจิสติก [13]
Piramuthu [16] เปรียบเทียบเครือข่ายหลาย Perceptron
ประสาทและรูปแบบประสาทเลือนในสามโปรแกรมให้คะแนนเครดิต: ควินแลนข้อมูลบัตรเครดิต [19]
เล็กข้อมูลเริ่มต้นเงินกู้ตั้ง[20] และข้อมูลที่ล้มเหลวของธนาคารเท็กซัส [7] รูปแบบเครือข่ายประสาทประสบความสำเร็จในความถูกต้องโดยรวมของ 83.56% เมื่อควินแลนข้อมูลบัตรเครดิตอยู่บนพื้นฐานของการเกิดซ้ำ 10 และซิงเกิ้ลพาร์ทิชันข้อมูล รูปแบบเลือนประสาทเกือบ 6% ความแม่นยำน้อยกว่าหลาย Perceptron ทั่วทั้งสามชุดข้อมูล [16] การใช้งานของต้นไม้ตัดสินใจและหลายตรอนเครือข่ายประสาทสำหรับการให้คะแนนการประยุกต์ใช้บัตรเครดิตมีการศึกษาโดยเดวิสและอัล [9] ผลของพวกเขาจะขึ้นอยู่กับซิงเกิ้ลพาร์ทิชันข้อมูลและการทดลองใช้เครือข่ายประสาทเดียว ผู้เขียนสรุปว่าหลายชั้นตรอนเครือข่ายประสาทและการตัดสินใจรูปแบบต้นไม้ทั้งสองมีระดับเดียวกันของการตัดสินใจที่ถูกต้อง[9] เซ่น [14] พัฒนาหลายตรอนเครือข่ายประสาทสำหรับการให้คะแนนเครดิตที่มีสามผล: ค่าใช้จ่ายภาระผูกพัน o! (11.2%) ภาระผูกพันที่ค้างชำระ (9.6%) และภาระผูกพันที่ชำระo !. เซ่นรายงานจัดประเภทที่ถูกต้อง "ผลไอออนบวก 76} 80% มีอัตราการบวกปลอม (ที่ไม่ดีความเสี่ยงด้านเครดิตจัดประเภท" เอ็ดเป็นเครดิตดี) 16% และมีอัตราการลบเท็จ (ความเสี่ยงด้านเครดิตที่ดีจัดประเภท "เอ็ดเป็นเครดิตที่ไม่ดี) 4 %. เซ่นสรุปว่าเครือข่ายประสาทมีศักยภาพในการให้คะแนนเครดิตการใช้งานขึ้นอยู่กับผลจากพาร์ทิชันข้อมูลเดียวทดสอบในเพียง50 ตัวอย่าง [14]. การวิจัยที่มีอยู่ในการคาดการณ์ "ความทุกข์ทางการเงินไม่ว่าจะดำเนินการที่" RM หรือระดับบุคคลที่แสดงให้เห็นว่ารูปแบบเครือข่ายประสาทแสดงศักยภาพ แต่ขาดครอบงำได้เปรียบกว่าเทคนิคทางสถิติคลาสสิก. ในการแสวงหาการปรับปรุงบางส่วนเล็ก ๆ ในความถูกต้องทำนายก็เป็นสิ่งจำเป็นในการตรวจสอบหลายสถาปัตยกรรมเครือข่ายประสาทและการใช้วิธีการทดลองอย่างเข้มงวดเพื่อสร้างดิประสิทธิภาพ! erences ระหว่าง รุ่น. จำนวนมากของการศึกษาก่อนหน้านี้ที่มีการสำรวจในธรรมชาติใช้เพียงพาร์ทิชันข้อมูลเดียวที่จะสร้างการฝึกอบรมและทดสอบตัวอย่าง. นี้อาจนำไปสู่การมีอคติในการประมาณจัดประเภท "ความถูกต้องไอออนบวกในตัวอย่างยอมอ่อนข้อ ในหลายกรณีการพิจารณาคดีเพียงคนเดียวของรูปแบบเครือข่ายประสาทเป็นลูกจ้าง ธรรมชาติสุ่มของกระบวนการฝึกอบรมเครือข่ายประสาทต้องใช้จำนวนของการเกิดซ้ำในการประเมินระดับความถูกต้องคาดว่า การทดสอบส่วนใหญ่ที่ใช้ในการสร้างนัยสำคัญทางสถิติ "-! ลาดเทดิ erences ระหว่างรูปแบบการให้คะแนนเครดิตเป็นดิการตั้งสองสัดส่วนหรือที่จับคู่! di ทดสอบทีการตั้ง Dietterich ได้แสดงให้เห็นการทดสอบเหล่านี้ไม่ควรถูกนำมาใช้สำหรับการเปรียบเทียบภายใต้การดูแล!. รุ่นการเรียนรู้ เพราะความน่าจะเป็นสูงของประเภทที่ 1 ข้อผิดพลาดที่เกี่ยวข้องกับการทดสอบเหล่านี้ [21]. การวิจัยนี้ศึกษาที่มีศักยภาพสำหรับการปรับปรุงเล็ก ๆ ในความถูกต้องให้คะแนนเครดิตโดยการสำรวจ"ve สถาปัตยกรรมเครือข่ายประสาทมีสองชุดข้อมูลที่โลกแห่งความจริงแบ่งพาร์ติชันในการฝึกอบรมและการทดสอบชุดที่มี10 เท่าการตรวจสอบข้าม สิบซ้ำของแต่ละการทดลองใช้โครงข่ายประสาทเทียมมีการใช้และจากนั้นรูปแบบจะมีการทดสอบสำหรับนัยสำคัญ "ลาดเทดิ! erences กับ McNemar ของจิสแควร์ซึ่งได้รับการแสดงที่จะมีการทดสอบที่มีประสิทธิภาพมากที่สุดของดิรูปแบบ! erences สำหรับขั้นตอนวิธีการเรียนรู้ภายใต้การดูแล[21]

ผลลัพธ์ (ไทย) 3:

ระบบเครือข่ายแบบแยกประเภทเงินให้กู้ยืมที่ไม่ดีมากขึ้นถูกต้องกว่าทั้งเส้นจำแนกการวิเคราะห์ถดถอยโลจิสติกหรือ
[ 13 ] piramuthu [ 16 ] เทียบเป็นชั้นธรรมดาเครือข่ายระบบประสาทและประสาทฟัซซี่แบบ
3 เครดิตคะแนนการใช้งาน : ควินแลนเป็นข้อมูลบัตรเครดิต [ 19 ] ,
เริ่มต้นขนาดเล็กกู้ข้อมูล [ 20 ] และเท็กซัสธนาคารความล้มเหลวข้อมูล [ 7 ] โดยโครงข่ายประสาทเทียมแบบสำเร็จ
มีความถูกต้องโดยรวมของ 83.56 เปอร์เซ็นต์ ควินแลนเป็นข้อมูลบัตรเครดิตจาก 10 repetitions และพาร์ทิชัน
ข้อมูลเดียว แบบจำลองฟัซซี่นิวรอลเกือบ 6% น้อยกว่าถูกต้องกว่าชั้นธรรมดา
ทั้งสามชุดข้อมูล [ 16 ] การใช้ต้นไม้ตัดสินใจและ Multilayer เพอร์เซปตรอนโครงข่ายประสาทเทียม
สำหรับสมัครบัตรเครดิตคะแนนถูกศึกษาโดย Davis et al . [ 9 ]ผลลัพธ์จะขึ้นอยู่กับเดียว
ข้อมูลพาร์ทิชันและทดลองใช้โครงข่ายเดียว ผู้เขียนสรุปว่า Multilayer
เพอร์เซปตรอนเครือข่ายระบบประสาทและต้นไม้การตัดสินใจแบบจำลองทั้งสองได้ในระดับเดียวกันของความถูกต้องในการตัดสินใจ
[ 9 ] เจนเซ่น [ 14 ] พัฒนาเครือข่ายประสาทหลายชั้นธรรมดาสำหรับการให้คะแนนเครดิตกับ
3 ผล : หน้าที่คิด โอ ! ( ร้อยละ 11.2 ) เด็ก ( ร้อยละ 9.6 )และ paid-o ภาระหน้าที่
! . Jensen รายงานถูกต้อง " ผลของการ classi 76 } 80% กับเท็จบวกอัตราความเสี่ยงเครดิตไม่ดี
classi " เอ็ดเป็นเครดิตที่ดี ) 16 % และลบปลอม ( อัตราความเสี่ยงด้านเครดิตที่ดี classi " เอ็ดเป็น
เครดิตไม่ดี ) 4 % เจนเซ่นพบว่าโครงข่ายประสาทเทียมที่มีศักยภาพสำหรับธุรกิจบนพื้นฐานของผลลัพธ์จากข้อมูลพาร์ทิชันเดียวทดสอบเพียง 50 ตัวอย่าง [ 14 ] คะแนน


การวิจัยที่มีอยู่บนทำนาย " nancial ความทุกข์ ไม่ว่าจะดำเนินการที่ " RM หรือ
ระดับบุคคล พบว่าแบบจำลองโครงข่ายประสาทเทียมแสดงศักยภาพแต่ขาดท่วมท้น
เหนือกว่าสถิติที่คลาสสิก ในการแสวงหาการปรับปรุงเศษส่วนเล็ก
ความถูกต้องพยากรณ์ จึงจำเป็นต้องศึกษาหลายเครือข่ายประสาทสถาปัตยกรรมและใช้
วิธีการทดลอง อย่างเข้มงวด เพื่อสร้างประสิทธิภาพ ดิ ! erences ระหว่างรุ่น หลายของการศึกษาสำรวจ
อยู่ในธรรมชาติ โดยใช้เพียงเดียวข้อมูลพาร์ทิชันเพื่อสร้าง
การฝึกอบรมและตัวอย่างทดสอบ นี้อาจทำให้เกิดอคติในการประเมินความถูกต้องของการ classi "
อย่างไม่ยอมอ่อนข้อ . ในหลายกรณี เพียงการทดลองเดียวของแบบจำลองโครงข่ายประสาทเทียมเป็นลูกจ้าง
ธรรมชาติสุ่มของกระบวนการฝึกอบรมเครือข่ายประสาทต้องใช้จำนวนของ repetitions

ประมาณการคาดว่าระดับความถูกต้อง . ส่วนใหญ่ข้อสอบที่ใช้สร้างสถิติ signi " -
ไม่ได้ดิ ! erences ระหว่างการให้คะแนนเครดิตแบบเป็นตี้ ! erence ของสัดส่วนหรือจับคู่
ตี้ ! erence t test dietterich ได้แสดงการทดสอบเหล่านี้ไม่ควรใช้สำหรับการดูแล
รูปแบบการเรียนรู้เพราะความน่าจะเป็นสูงของความคลาดเคลื่อนประเภทที่ 1 ที่เกี่ยวข้องกับการทดสอบพวกนี้ [ 21 ] .
งานวิจัยนี้ศึกษาศักยภาพในการปรับปรุงขนาดเล็กในเครดิตคะแนนความถูกต้องโดย
สํารวจได้ประสาทเครือข่ายสถาปัตยกรรมกับข้อมูลสองชุดแยกโลกจริงในการฝึกอบรม
และชุดทดสอบกับ 10 โฟลด 10 repetitions ของแต่ละการทดลองใช้และ
เครือข่ายประสาทแล้วแบบทดสอบสำหรับ signi " ไม่ได้ดิ ! erences กับ McNemar ของไคสแควร์ทดสอบซึ่งมี
ถูกแสดงเป็น การทดสอบที่มีประสิทธิภาพมากที่สุดของรูปแบบได ! สำหรับการ erences อัลกอริทึมการเรียนรู้
[ 21 ]