Enhanced Credit Score Prediction Using Ensemble Deep Learning Model

要約

現代の経済社会では、信用スコアはすべての参加者にとって非常に重要です。
商業銀行や金融セクターのクレジットカード、ローン、投資などの中核事業の収益性には、堅牢な信用評価システムが不可欠です。
このペーパーでは、最新の銀行システムですでに広く使用されている XGBoost や LightGBM などの高性能モデルと強力な TabNet モデルを組み合わせています。
私たちは、ランダム フォレスト、XGBoost、TabNet を統合し、アンサンブル モデリングのスタッキング手法を通じて、クレジット スコア レベルを正確に決定できる強力なモデルを開発しました。
このアプローチは単一モデルの限界を超え、正確な信用スコアの予測を大幅に進歩させます。
次のセクションでは、使用した手法を説明し、精度、再現率、F1、AUC などの一連の指標を包括的に比較することでアプローチを徹底的に検証します。
Random Forest、XGBoost、および TabNet 深層学習アーキテクチャを統合することにより、これらのモデルは相互に補完し、非常に強力な全体的なパフォーマンスを示します。

要約(オリジナル)

In contemporary economic society, credit scores are crucial for every participant. A robust credit evaluation system is essential for the profitability of core businesses such as credit cards, loans, and investments for commercial banks and the financial sector. This paper combines high-performance models like XGBoost and LightGBM, already widely used in modern banking systems, with the powerful TabNet model. We have developed a potent model capable of accurately determining credit score levels by integrating Random Forest, XGBoost, and TabNet, and through the stacking technique in ensemble modeling. This approach surpasses the limitations of single models and significantly advances the precise credit score prediction. In the following sections, we will explain the techniques we used and thoroughly validate our approach by comprehensively comparing a series of metrics such as Precision, Recall, F1, and AUC. By integrating Random Forest, XGBoost, and with the TabNet deep learning architecture, these models complement each other, demonstrating exceptionally strong overall performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google