Login for students

Login for employees

Publication detail

Predicting Firms’ Credit Ratings Using Ensembles of Artificial Immune Systems and Machine Learning – An Over-Sampling Approach
Authors: Hájek Petr | Olej Vladimír
Year: 2014
Type of publication: článek ve sborníku
Name of source: Artificial Intelligence Applications and Innovations: 10th IFIP WG 12.5 International Conference, AIAI 2014, Rhodes, Greece, September 19-21, 2014, Proceedings
Publisher name: Springer
Place: Heidelberg
Page from-to: 29-38
Titles:
Language Name Abstract Keywords
cze Predikce úvěrových ratingů firem pomocí souborů umělých imunitních systémů a strojového učení -přístup založený na převzorkování Tento článek zkoumá klasifikační výkonnost umělých imunitních systémů na jedné straně a strojového učení a neuronových sítí na straně druhé na problému predikce úvěrových ratingů firem. Tento problém je realizován jako problém klasifikace do dvou tříd, do investiční a neinvestiční ratingové třídy. Datový soubor je obvykle u predikce tohoto druhu nevybalancovaný. Proto používáme převzorkování minoritní třídy na trénovacích datech. Výsledky experimentů ukazují, že tento přístup vede k významně vyšší přesnosti klasifikace. Navíc, přesnost lze dále zvýšit využitím souborů klasifikátorů. Úvěrový rating; umělé imunitní systémy; strojové učení; neuronové sítě; klasifikační výkonnost; vybalancovaný a nevybalancovaný datový soubor; SMOTE; AdaBoost
eng Predicting Firms’ Credit Ratings Using Ensembles of Artificial Immune Systems and Machine Learning – An Over-Sampling Approach This paper examines the classification performance of artificial immune systems on the one hand and machine learning and neural networks on the other hand on the problem of forecasting credit ratings of firms. The problem is realized as a two-class problem, for investment and non-investment rating grades. The dataset is usually imbalanced in credit rating predictions. We address the issue by over-sampling the minority class in the training dataset. The experimental results show that this approach leads to significantly higher classification accuracy. Additionally, the use of the ensembles of classifiers makes the prediction even more accurate. Credit rating; artificial immune systems; machine learning; neural networks; classification performance; balanced and imbalanced dataset; SMOTE; AdaBoost

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives