본문바로가기

자료 카테고리

검색결과

검색결과 (전체 1건)

검색결과제한

열기
논문명/저자명
그라디언트 부스팅을 이용한 채무 불이행 예측에 관한 연구 / 김희종
발행사항
서울 : 한양사이버대학교 경영대학원, 2013.8
청구기호
TM 658.4 -13-23
형태사항
v, 38 p. ; 26 cm
자료실
서고(열람신청 후 1층 논문실)
제어번호
KDMT1201357096
주기사항
학위논문(석사) -- 한양사이버대학교 경영대학원, MBA전공, 2013.8. 지도교수: 김형도
원문

목차보기더보기

표제지

국문초록

목차

제1장 서론 9

제1절 연구의 필요성 9

제2절 연구의 목적 9

제3절 논문의 구성 10

제2장 관련 연구 11

제1절 기계 학습을 적용한 채무 불이행 예측의 기존연구 11

제2절 주요 분류기법 12

2.1. 그라디언트 부스팅(Gradient Boosting) 12

2.2. 랜덤 포리스트(Random Forest) 13

2.3. 로지스틱 회귀(Logistic Regression) 13

2.4. 판별분석(Linear Discriminant Analysis) 13

제3절 클래스 불균형 문제 14

제3장 연구방법 16

제1절 실험 데이터 16

제2절 평가 지표 18

제3절 실험 설계 19

제4장 실험결과 및 토의 23

제1절 실험결과 23

1.1. GB 실험결과 23

1.2. 랜덤 포리스트 실험결과 31

제2절 토의 33

제5장 결론 40

제1절 연구결론 40

제2절 향후 연구방향 41

참고문헌 42

Abstract 45

[표 1] "Give Me Some Credit"의 데이터 설명 17

[표 2] 정오분류표 18

[표 3] 실험의 구성 22

[표 4] GB의 n.minobsinnode 실험 24

[표 5] GB의 n.trees 실험1 25

[표 6] GB의 n.trees 실험2 26

[표 7] GB의 n.trees × shrinkage = 75 인 조합의 실험 27

[표 8] GB의 interaction.depth 실험 28

[표 9] GB의 bag.fraction의 실험 29

[표 10] GB의 train.fraction의 실험 30

[표 11] 랜덤 포리스트의 n.tree 실험 31

[표 12] 랜덤 포리스트의 mtry 실험 32

[표 13] 랜덤 포리스트의 sampsize 실험 32

[표 14] 랜덤 포리스트의 maxnodes 실험 33

[표 15] 각 분류기의 AUC 비교 34

[표 16] 각 분류기간의 t-TEST 통계 검정 36

[표 17] 클래스 불균형 문제를 고려한 경우의 결과 38

[표 18] G-평균 검정 39

[표 19] F-척도 검정 39

[그림 1] GB의 ROC 곡선 34

[그림 2] 랜덤 포리스트의 ROC 곡선 35

[그림 3] 로지스틱 회귀의 ROC 곡선 35

[그림 4] 판별분석의 ROC 곡선 36

초록보기더보기

 채무 불이행 예측은 대출자 또는 대출희망자가 채무를 이행하지 않을 가능성을 예측하는 것으로, 은행과 같은 여신 제공자의 수익성을 결정하는 중요한 작업이다. 이러한 예측의 정확성을 높이기 위해서 다양한 기계 학습알고리즘들이 사용되고 있다. 그라디언트 부스팅 알고리즘은 손실 함수의 경사도를 바탕으로 다수의 약한 예측 모형들을 단계적으로 생성하여 앙상블방식으로 결합함으로써 강한 예측 모형을 생성하는 부스팅 기법을 사용한다. 해석 가능한 결과를 제시하며, 결손된 값이 있는 경우에도 정보 손실 없이 예측 가능하고, 처리 과정에서 자동적으로 특징 변수가 선택되는 등의 장점을 가지고 있다. 이러한 그라디언트 부스팅 알고리즘을 채무 불이행 예측에 적용하는 연구는 아직 충분히 정리되지 못한 상태이기 때문에, 이 논문에서는 그 성능을 다른 알고리즘들과 비교 평가하고, 채무 불이행 데이터 집합의 중요한 특성 중 하나인 클래스 불균형 문제에 대한 해결책을 검토하였다. 채무 불이행 예측에서 그라디언트 부스팅은 AUC를 기준으로 가장 우수한 결과를 보여주었으나, 랜덤 포리스트와 통계적으로 의미 있는 차이를 보여주지는 못하였다. 그러나 클래스 불균형 문제 해결 기법과 그라디언트 부스팅 알고리즘을 결합하여 G-평균과 F척도에서 의미 있는 개선이 가능하였다.

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차
연속간행물 팝업 열기