伯恩德·比施尔;托拜厄斯·库恩;西班纳克，热罗 信用评分中分类算法的类不平衡校正。 （英语） Zbl 1341.62306号 Lübbecke，Marco（编辑）等人，《2014年运营研究会议记录》。2014年9月2日至5日，德国亚琛RWTH大学，德国运筹学会（GOR）年度国际会议论文集。巴塞尔：施普林格（ISBN 978-3-319-28695-2/pbk；978-3-3169-28697-6/电子书）。《运营研究论文集》，37-43（2016）。 总结：信用评分通常被建模为一个二进制分类任务，其中很少发生默认情况，并且类通常高度不平衡。尽管最近提出了许多新算法来缓解这一特定问题，但类不平衡这一方面在研究中仍然没有得到充分体现，尽管它与许多商业应用程序有很大的相关性。在“R中的机器学习”（mlr）框架内，不平衡校正的方法很容易获得，并且可以集成到系统分类器优化过程中。对不同的策略进行了讨论、扩展和比较。关于整个系列，请参见[Zbl 1338.90015号]. 引用于1文件 MSC公司： 62P05号 统计学在精算科学和金融数学中的应用 91G40型 信用风险 软件：R（右）;最大似然比;批量实验;批处理作业;irace公司;r零件 PDF格式BibTeX公司 XML格式引用 \textit{B.Bischl}等人，Oper。研究程序。2014年，37-43（2016年；Zbl 1341.62306） 全文： 内政部 参考文献： 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。