CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

A hybrid mining model based on Artificial Neural Networks, Support Vector Machine and Bayesian for credit scoring

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۱ | تعداد نمایش خلاصه: ۱۷۴۵ | نظرات: ۰
سرفصل ارائه مقاله: Computer Science and Computer Engineering
سال انتشار: ۱۳۹۰
نوع ارائه: شفاهی
کد COI مقاله: SASTECH05_183
زبان مقاله: انگلیسی
حجم فایل: ۳۵۱.۲۲ کیلوبایت (فایل این مقاله در ۱۱ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۱ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله A hybrid mining model based on Artificial Neural Networks, Support Vector Machine and Bayesian for credit scoring

  M Siami - Iran University of Science and Technology, Tehran, Iran;
  M.R Gholamian - Iran University of Science and Technology, Tehran, Iran
R Nasiri -

چکیده مقاله:

In recent years, credit scoring is becoming one of the most important topics in the financial field. In consumer credit markets, lending decisions are usually represented as a set of classification problems. In this Paper, we have proposed a hybrid mining model for credit scoring, based on Artificial Neural Networks, Support Vector Machine and Naïve Bayesian to improve the accuracy of credit scoring classification task. To make these basic classifiers as an ensemble model, we have used majority voting technique to improve the prediction accuracy of existing credit scoring models. In order to approve the capability of our model in the field of credit scoring, Australian credit real dataset of UCI machine learning database repository has been applied. Finally we conduct a comparative assessment for the performance measuring of these methods, with three basic learners (Artificial Neural Networks, Support Vector Machine and Naïve Bayesian). Our findings lead us to believe that this hybrid method may provide better performance in the field of credit scoring.

کلیدواژه‌ها:

Credit Scoring, Data Mining, Classifier ensemble, Support Vector Machine,Descion Tree, Naïve Bayesian

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-SASTECH05-SASTECH05_183.html
کد COI مقاله: SASTECH05_183

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Siami, M; M.R Gholamian & R Nasiri, ۱۳۹۰, A hybrid mining model based on Artificial Neural Networks, Support Vector Machine and Bayesian for credit scoring, پنجمین کنفرانس بین المللی پیشرفتهای علوم و تکنولوژی, مشهد, موسسه آموزش عالی خاوران, https://www.civilica.com/Paper-SASTECH05-SASTECH05_183.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Siami, M; M.R Gholamian & R Nasiri, ۱۳۹۰)
برای بار دوم به بعد: (Siami; Gholamian & Nasiri, ۱۳۹۰)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Chen.F and Li.F, (2010) "Combination of feature selection approaches with ...
  • Chen.W, Ma.C, and Ma.L (2009)"Mining the customer credit using hybrid ...
  • Hsieh N.-C., Hung L.-P (2010) "A data driven ensemble classifier ...
  • Hsieh.N.C (2005) "Hybrid mining approach in the design of credit ...
  • Huang.C.L, Chen.M.C, Wang.C.. (2007)"credit scoring with datamining approach based On ...
  • Hung C., Chen J.-H. (2009) _ selective ensemble based On ...
  • Kononenko, I., (1991). "Semi-naive Bayesian classifier. In: Proceedings of European ...
  • Langley, P., Sage, _ (1994). "Induction of selective Bayesian classifiers". ...
  • _ SASTech 2011, Khavaran Higher-education Institute, Mashhad, Iran. May 12-14. ...
  • Leea.T, Chiub _ Ch. Ch, Y. -Ch. Chouc, Ch.. Lud ...
  • Nanni.L, Lumini.A (2009)"An experimental comparison of ensemble of classifiers for ...
  • On.C.S, Jeng.J, Huang, G. HshiungTzeng (2005)"Building credit scoring model using ...
  • Ouali A., Ramdane Cherif A., Krebs M.-O(2006) "Data mining based ...
  • Thomas.L.C (2000) _ survey of credit and behavioural scoring: forecasting ...
  • Tsai.Ch.F, Wu.J.W (2008)"Using neural network ensembles for bankruptcy prediction and ...
  • TunLi.S , Shiue.W , Huang.M.H (2006)"The evaluation of consumer loans ...
  • Wang.G , Hao.J , Ma.J _ Jiang.H (2011) _ comparative ...
  • West.D (2000) "Neural network credt scoring models" Computers and operation ...
  • Witten.H and Frank.E, Data Mining (2005) "Practical Machine Learning Tools ...
  • Zhang, D., X. Zhou, et al (2010)، 0Vertical bagging decision ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۲۰۲۳۲
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.