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。