Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Credit rating modelling by kernel-based approaches with supervised and semi-supervised learning
Autoři: Hájek Petr | Olej Vladimír
Rok: 2011
Druh publikace: článek v odborném periodiku
Název zdroje: Neural Computing and Applications
Název nakladatele: Springer
Strana od-do: 761-773
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Modelování úvěrového ratingu pomocí přístupů založených na kernelech s učením s učitelem a částečným učením s učitelem Tento článek představuje možnosti modelování z přístupů založených na kernelech na komplexním reálném problému, tj. klasifikaci ratingu podniků a obcí. Na základě návrhu modelu, který obsahuje předzpracování dat, označování jednotlivých parametrů vektorů pomocí expertního posouzení, konstrukci různých support vector machines s učením s učutelem, stejně jako přístupů založených na kernelech s částečným učením s učitelem, je prováděno modelování pro klasifikaci objektů do ratingových tříd. Výsledky ukazují, že ratingové třídy, přiřazené emitentům dluhopisů, mohou být klasifikovány s vysokou přesností pomocí omezené podmnožiny vstupních proměnných. To platí i pro přístupy založené na kernelech s učením s učitelem i částečným učením s učitelem. Úvěrový rating; kernel; support vector machine; učením s učitelem; částečné učení s učitelem
eng Credit rating modelling by kernel-based approaches with supervised and semi-supervised learning This paper presents the modelling possibilities of kernel-based approaches to a complex real-world problem, i.e. corporate and municipal credit rating classification. Based on a model design that includes data pre-processing, the labelling of individual parameter vectors using expert knowledge, the design of various support vector machines with supervised learning as well as kernel-based approaches with semi-supervised learning, this modelling is undertaken in order to classify objects into rating classes. The results show that the rating classes assigned to bond issuers can be classified with high classification accuracy using a limited subset of input variables. This holds true for kernel-based approaches with both supervised and semi-supervised learning. Credit rating; kernel; support vector machines; supervised learning; semi-supervised learning

Ústavy

Pracoviště

Jak nás najdete?

zobrazit na mapy.cz

Služby

Často hledáte

© 2023 Univerzita Pardubice, Studentská 95, 532 10 Pardubice 2
Telefon: 466 036 111, 466 036 112, 466 036 113
Správce webu, RSS
ID datové schránky: f5vj9hu
Prohlášení o přístupnosti
CC BY-NC-ND 4.0 CZCreative CommonsAttributionNonCommercialNoDerivatives