要約
銀行の信用リスクは現代の金融取引における重大な課題であり、多数の申込者の中から適格なクレジット カード所有者を特定する能力は、銀行のクレジット カード ビジネスの収益性にとって極めて重要です。
従来、応募者の条件を審査するには、多くの場合手作業が必要であり、時間と労力がかかっていました。
以前に使用されていた ML モデルの精度と信頼性は継続的に向上していますが、より信頼性が高く強力な AI インテリジェント モデルの追求は、間違いなく金融業界の大手銀行によって絶え間なく追求されています。
この研究では、商業銀行から提供された 40,000 件を超えるレコードのデータセットを調査対象として使用しました。
高次元データセットを前処理するための PCA や T-SNE などのさまざまな次元削減手法を比較し、LightGBM や XGBoost などの分散モデルや、Tabnet などの深層モデルの詳細な適応と調整を実行しました。
一連の研究と処理を経て、SMOTEENN とこれらの技術を組み合わせることで、優れた研究結果が得られました。
実験では、LightGBM を PCA および SMOTEENN 技術と組み合わせることで、銀行が潜在的な高品質顧客を正確に予測できるようになり、他のモデルと比較して比較的優れたパフォーマンスを示すことが実証されました。
要約(オリジナル)
Bank credit risk is a significant challenge in modern financial transactions, and the ability to identify qualified credit card holders among a large number of applicants is crucial for the profitability of a bank’sbank’s credit card business. In the past, screening applicants’applicants’ conditions often required a significant amount of manual labor, which was time-consuming and labor-intensive. Although the accuracy and reliability of previously used ML models have been continuously improving, the pursuit of more reliable and powerful AI intelligent models is undoubtedly the unremitting pursuit by major banks in the financial industry. In this study, we used a dataset of over 40,000 records provided by a commercial bank as the research object. We compared various dimensionality reduction techniques such as PCA and T-SNE for preprocessing high-dimensional datasets and performed in-depth adaptation and tuning of distributed models such as LightGBM and XGBoost, as well as deep models like Tabnet. After a series of research and processing, we obtained excellent research results by combining SMOTEENN with these techniques. The experiments demonstrated that LightGBM combined with PCA and SMOTEENN techniques can assist banks in accurately predicting potential high-quality customers, showing relatively outstanding performance compared to other models.
arxiv情報
著者 | Chang Yu,Yixin Jin,Qianwen Xing,Ye Zhang,Shaobo Guo,Shuchen Meng |
発行日 | 2024-11-12 16:44:24+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google