Credit card score prediction using machine learning models: A new dataset

要約

近年、クレジットカードの利用が増加しており、潜在的なリスクを最小限に抑えるためのクレジットカードの評価方法が不可欠となっています。
この研究では、クレジット カードのデフォルト予測システムのための機械学習 (ML) モデルの利用を調査します。
ここでの主な目的は、新しく提案されたクレジット カード スコアリング データセットに対して最もパフォーマンスの高い ML モデルを調査することです。
この新しいデータセットにはクレジット カードの取引履歴と顧客プロファイルが含まれており、ロジスティック回帰、デシジョン ツリー、ランダム フォレスト、多層パーセプトロン (MLP) ニューラル ネットワーク、XGBoost、LightGBM などのさまざまな機械学習アルゴリズムを使用して提案およびテストされています。
機械学習モデル用のデータを準備するために、データの前処理、特徴抽出、特徴選択、データ バランシング手法を実行します。
実験結果は、MLP が真陽性率の予測パフォーマンスの点でロジスティック回帰、デシジョン ツリー、ランダム フォレスト、LightGBM、および XGBoost よりも優れており、86.7% という優れた曲線下面積 (AUC) と 91.6% の精度率を達成していることを示しています。
再現率は80％を超えています。
これらの結果は、デフォルト顧客の予測と潜在的なリスクの評価における MLP の優位性を示しています。
さらに、銀行やその他の金融機関がローン不履行を早い段階で予測するのにも役立ちます。

要約(オリジナル)

The use of credit cards has recently increased, creating an essential need for credit card assessment methods to minimize potential risks. This study investigates the utilization of machine learning (ML) models for credit card default prediction system. The main goal here is to investigate the best-performing ML model for new proposed credit card scoring dataset. This new dataset includes credit card transaction histories and customer profiles, is proposed and tested using a variety of machine learning algorithms, including logistic regression, decision trees, random forests, multi layer perceptron (MLP) neural network, XGBoost, and LightGBM. To prepare the data for machine learning models, we perform data pre-proccessing, feature extraction, feature selection, and data balancing techniques. Experimental results demonstrate that MLP outperforms logistic regression, decision trees, random forests, LightGBM, and XGBoost in terms of predictive performance in true positive rate, achieving an impressive area under the curve (AUC) of 86.7% and an accuracy rate of 91.6%, with a recall rate exceeding 80%. These results indicate the superiority of MLP in predicting the default customers and assessing the potential risks. Furthermore, they help banks and other financial institutions in predicting loan defaults at an earlier stage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google