Publikace detail

Predicting Firms’ Credit Ratings Using Ensembles of Artificial Immune Systems and Machine Learning – An Over-Sampling Approach

Autoři: Hájek Petr | Olej Vladimír

Rok: 2014

Druh publikace: článek ve sborníku

Název zdroje: Artificial Intelligence Applications and Innovations: 10th IFIP WG 12.5 International Conference, AIAI 2014, Rhodes, Greece, September 19-21, 2014, Proceedings

Název nakladatele: Springer

Místo vydání: Heidelberg

Strana od-do: 29-38

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte