Login for students

Login for employees

Publication detail

Predicting regional credit ratings using ensemble classification with metacost
Authors: Toseafa Evelyn | Hájek Petr
Year: 2019
Type of publication: článek ve sborníku
Name of source: Artificial Intelligence Methods in Intelligent Algorithms : Proceedings of 8th Computer Science On-line Conference 2019, Vol. 2
Publisher name: Springer Nature
Place: Heidelberg
Page from-to: 332-342
Titles:
Language Name Abstract Keywords
cze Predikce úvěrových ratingů regionů pomocí souboru klasifikátorů s metacost Soubory klasifikátory jsou učící se algoritmy, které kombinují soubory základních klasifikátorů, aby se zvýšila jejich rozmanitost, a tak snížil rozptyl a dosáhlo se lepšího prediktivního výkonu ve srovnání s jednotlivými klasifikátory. Předchozí výzkum ukázal, že soubory klasifikátory jsou při předpovídání ratingů přesnější než jednotlivé klasifikátory. Zde se zabýváme vysoce nevyváženými daty kategorizovanými do více tříd regionálních subjektů. K překonání těchto problémů navrhujeme nový hybridní model kombinující převzorkování dat a nákladově citlivou klasifikaci. Tento článek ukazuje, že použití techniky SMOTE k vyvážení více tříd dat účinně řeší problém jejich nevyváženosti. Různé náklady na nesprávnou klasifikaci přiřazené v matici nákladů řeší problém ordinálních tříd. Tento přístup je kombinován s klasifikací souboru v rámci MetaCost. Ukazujeme, že pomocí tohoto přístupu lze dosáhnout přesnější predikce z hlediska průměrných nákladů a plochy pod ROC křivkou. Tento článek poskytuje empirické důkazy o datovém souboru 451 regionů zařazených do 8 ratingových tříd, jak byly získány od ratingové agentury Moody's. Výsledky ukazují, že Random Forest v kombinaci s MetaCost překonává zbytek základních klasifikátorů i jiné srovnávané metody. MetaCost; náhodný strom; souborové učení; regiony; úvěrový rating
eng Predicting regional credit ratings using ensemble classification with metacost Ensemble classifiers are learning algorithms that combine sets of base classifiers in order to increase their diversity and, thus, decrease variance and achieve better predictive performance compared to single classifiers. Previous research has shown that ensemble classifiers are more accurate than single classifiers in predicting credit ratings. Here we deal with highly imbalanced multi-class data of regional entities. To overcome these problems, we propose a novel hybrid model combining data oversampling and cost-sensitive ensemble classification. This paper demonstrates that the use of the SMOTE technique to balance the multi-class data solves the imbalance problem effectively. Different misclassification cost assigned in cost matrix solves the problem of ordered classes. This approach is combined with ensemble classification within the MetaCost framework. We show that more accurate prediction can be achieved using this approach in terms of average cost and area under ROC. This paper provides empirical evidence on the dataset of 451 regions classified into 8 rating classes, as obtained from the Moody’s rating agency. The results show that Random Forest combined with MetaCost outperforms the rest of the base classifiers, as well as other benchmark methods. MetaCost; Random Forest; Ensemble learning; Regions; Credit rating

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