迪米特里奥斯·尼古拉伊迪斯;米查利斯·杜姆波斯 使用当地能力区域进行漂移适应的信用评分。 （英语） Zbl 1505.91401号 序号操作。Res.论坛 3，第4号，第67号文件，第28页（2022）. 摘要：尽管机器学习（ML）方法在信用评分中得到了广泛应用并取得了积极的成果，但仍然存在一些非常重要的未决问题，不仅涉及学术界，也涉及从业者和行业，例如，模型漂移是人口漂移的必然结果，以及对自动分析方法的透明度和可解释性的严格监管义务。我们提出了一种新的自适应行为信用评分方案，该方案通过识别特定的能力区域来训练本地模型，对每个传入的查询（借款人）使用在线训练。我们比较了不同的分类算法，即logistic回归和最先进的ML方法（随机森林和梯度增强树），这些方法在文献中显示了良好的结果。我们的数据样本来自一个专有的信贷局数据库，为期11年，每季度采样一次，包括3520000个记录月的观察结果。信用评分文献和实践中使用的严格性能指标（如AUROC和H-Measure）表明，我们的方法有效地处理了人口漂移，并且在所有情况下，局部模型都优于相应的全局模型。此外，当使用逻辑回归等简单的局部分类器时，我们可以获得与被视为“黑箱”方法的全局ML分类器类似的结果。 MSC公司： 91G40型 信用风险 62P05号 统计学在精算科学和金融数学中的应用 关键词：概念/人口漂移;自适应模型;局部分类;行为信用评分;懒惰的学习;权限范围 软件：SMOTE公司;RUSBoost公司 PDF格式BibTeX公司 XML格式引用 \textit{D.Nikolaidis}和\textit{M.Doumpos}，SN Oper。Res.Forum 3，No.4，论文编号67，28 p.（2022；Zbl 1505.91401） 全文： DOI程序 参考文献： [1] Barci G，Andreeva G，Bouyon S（2019）“信贷市场的数据共享：全面性重要吗？”，欧洲信贷研究所，第23号研究报告，可在：https://bit.ly/3xfiW3v网站 [2] Besanko，D。；塔科尔，AV，非对称信息下信贷市场的竞争均衡，《经济理论杂志》，42，1，167-182（1987）·Zbl 0609.90014号 ·doi:10.1016/0022-0531（87）90108-6 [3] 贾佩利，T。；Pagano，M.，信贷市场中的信息共享，金融学杂志，48，516693-1718（1993）·doi:10.1111/j.1540-6261.1993.tb05125.x [4] Morscher，C。；Horsch，A。；Stephan，J.；&，，信贷信息共享及其与金融包容性和金融中介的联系，《金融市场、机构和风险》，1、3、22-33（2017）·doi:10.21272/fmir.1（3）.22-33.2017 [5] JE斯蒂格利茨；Weiss，A.，《信息不完全市场中的信贷配给》，《美国经济评论》，71，3，393-410（1981） [6] 布里登，J。；托马斯。；McDonald，J.III，《双重时间动态压力测试零售负荷组合》，《风险模型验证杂志》，第2、2、1-19页（2007年） [7] 手，DJ；Henley，WE，《消费信贷评分中的统计分类方法：综述》，J R Stat Soc a Stat Soc，160，3，523-541（1997）·doi:10.1111/j.1467-985X.1997.00078.x [8] LC托马斯；马利克，M。；劳什，D。；Scheule，H.，《基于行为评分的零售贷款组合信用风险模型比较》，《金融危机中的模型风险》，209-232（2010），风险书 [9] Durand D（1941）信用评级公式。消费分期付款融资中的风险因素83-91。丁腈橡胶 [10] Anderson，R.，《信用评分工具包：零售信贷风险管理和决策自动化的理论与实践》（2007），牛津大学出版社 [11] Thomas LC、Edelman DB、Crook JN（2002）《信用评分及其应用》（数学建模和计算专著）（第1版）。Soc工业应用数学·Zbl 1001.91052号 [12] Adams，NM，Tasoulis DK，Anagostopoulos C，Hand DJ（2010）《用于处理信用评分中人口漂移的时间适应性线性分类》。Lechevallier，Y.α和Saporta。（编辑），COMPSTAT2010，第19届国际计算统计会议记录167-176·Zbl 1436.62483号 [13] Gama J、Medas P、Castillo G、Rodrigues P（2004）《漂移检测学习》。人工智能进展-SBIA 2004 286-295。施普林格·兹比尔1105.68376 [14] Gama J、liobaite Ie、Bifet A、Pechenizkiy M、Bouchachia A（2014）《概念漂移适应调查》。ACM计算。综述46（4）：44:1-44:37·Zbl 1305.68141号 [15] Klinkenberg R（2004）学习漂移概念：示例选择与示例权重。智能数据分析8（3）：281-300 [16] ƀlioboitI，Pechenizkiy M，Gama J（2016）概念漂移应用概述。N.Japkowicz和J.Stefanowski（编辑），《大数据分析：新社会的新算法》（第16卷，第91-114页）。施普林格国际出版公司 [17] 荣格，KM；LC托马斯；因此，MC，《何时重建或何时调整记分卡》，《运筹学学会杂志》，66，10，1656-1668（2015）·doi:10.1057/jors.2015.43 [18] Siddiqi，N.，《信用风险记分卡：开发和实施智能信用评分》（2005），纽约：威利出版社，纽约 [19] Rona-Tas，A。；Hiss，S.，《美国消费者和企业信用评级与次贷危机及对德国的启示》（2008年），威斯巴登：SCHUFA，威斯巴丹 [20] Ashcraft AB，Schuermann T（2008）《了解次级抵押贷款信贷证券化》。《金融基础与趋势》2（3）：191-309 [21] Demyanyk，Y。；Van Hemert，O.，《理解次级抵押贷款危机》，《金融研究评论》，1848-1880（2011）·doi:10.1093/rfs/hhp033 [22] Breeden J（2014）《重塑零售贷款分析——第二印象》。风险账簿 [23] Avery，RB；Bostic公司，RW；Calem，PS；坎纳，英国，《信用评分：来自信用局文件的统计问题和证据》，《房地产经济》，28，3，523-547（2000）·doi:10.1111/1540-6229.00811 [24] Anderson R（2022）《信贷情报与建模：森林中的许多道路》。牛津大学出版社 [25] 比亚克，K。；Thomas，LC，细分是否总是能提高模型在信用评分方面的表现？，专家系统应用，39，3，2433-2442（2012）·doi:10.1016/j.eswa.2011.08.093 [26] Hand，DJ，《测量分类器性能：ROC曲线下区域的一致替代方法》，《马赫数学习》，77，1，103-123（2009）·Zbl 1470.62085号 ·doi:10.1007/s10994-009-5119-5 [27] Lessmann S、Lyn C、Thomas Hsin-Vonn Seow、Baesens B（2013）《信用评分的最新分类算法基准：十年更新》。信用评分与信用控制十三 [28] 贾曼，A。；Hand，DJ，大而难的数据集在哪里？，高级数据分析分类，3，1，25-38（2009）·Zbl 1231.62002号 ·doi:10.1007/s11634-009-0037-8 [29] Perlich，C。；Provost，F。；Simonoff，JS，树归纳与逻辑回归：学习曲线分析，机器学习研究杂志，4211-255（2003）·Zbl 1093.68088号 [30] 阿多，P。；Guegan，D。；Hassani，B.，使用机器和深度学习模型进行信用风险分析，Risks，6，2，38（2018）·doi:10.3390/risks6020038 [31] Albanesi S，Vamossy DF（2019）《预测消费者违约：深度学习方法》（第26165号工作文件；工作文件系列）。Nat Bur经济研究 [32] Alonso A，CarbóJM（2020）《信贷风险中的机器学习：衡量预测和监管成本之间的两难境地》。西班牙银行第2032号工作文件，网址：https://ssrn.com/abstract=3724374 [33] 冈纳森，BR；布鲁克，S。；Baesens，B。；奥斯卡尔斯多蒂尔，M。；Lemahieu，W.，《深入学习信用评分：做还是不做？》？，《欧洲运营研究杂志》，295，1，292-305（2021）·Zbl 1487.91147号 ·doi:10.1016/j.ejor.2021.03.006 [34] Hamori，S。；卡瓦伊，M。；库姆，T。；村上，Y。；渡边捷昭，合奏学习还是深度学习？《违约风险分析应用》，《风险与财务管理杂志》，2018年第11、1、12期·doi:10.3390/jrfm11010012 [35] Marceau L，Qiu L，Vandewiele N，Charton E（2019）信用评分不平衡数据的深度学习性能与其他机器学习算法的比较。阿西夫：1907.12363 [36] Petropoulos A、Siakoulis V、Stavroulakis E、Klamargias A（2019）使用深度学习和极端梯度提升对大型贷款水平数据集进行信用风险分析的稳健机器学习方法。国际金融公司公告章节，收录于：国际清算银行（编辑），中央银行大数据分析和人工智能的使用，第50卷，国际清算银行 [37] 西里尼亚诺，J。；Cont，R.，《金融市场价格形成的普遍特征：深度学习视角》，《定量金融》，第19期，第9期，第1449-1459页（2018年）·Zbl 1420.91433号 ·doi:10.1080/14697688.2019.1622295 [38] Sirignano J、Sadhwani A、Giesecke K（2016）《抵押风险深度学习》。可从SSRN 2799443获得。http://papers.ssrn.com/sol3/papers.cfm？抽象id=2799443 [39] 北卡罗来纳州巴斯曼。；朱迪奇，P。；Marinelli，D。；Papenbrock，J.，《金融科技风险管理中的可解释人工智能》，人工智能前沿，3，26（2020）·doi:10.3389/frai.2020.00026 [40] 吉多蒂，R。；Monreale，A。；鲁杰里，S。；图里尼，F。；Giannotti，F。；Pedreschi，D.，黑箱模型解释方法调查，ACM计算调查（CSUR），51，5，1-42（2018）·数字对象标识代码：10.1145/3236009 [41] Hardt M、Price E、Srebro N（2016）《监督学习中的机会均等》。高级中性信息处理系统29 [42] Suresh H，Guttag JV（2019）理解机器学习意外后果的框架。ArXiv预打印https://arxiv.org/abs/1901.10002 [43] Gilpin LH，Bau D，Yuan BZ，Bajwa A，Specter M，Kagal L（2018）解释性解释：机器学习的可解释性概述。2018年IEEE第五届数据科学和高级分析国际会议（DSAA）80-89。电气与电子工程师协会 [44] 扎法尔，MB；瓦莱拉，I。；罗德里格斯，MG；Gummadi，KP，《公平约束：公平分类机制》，J Mach Learn Res，20，75，1-42（2019）·Zbl 1489.68263号 [45] Aggarwal，N.，算法信用评分规范，《剑桥法律期刊》，80，1，42-73（2021）·doi:10.1017/S0008197321000015 [46] Hurlin C、Pérignon C、Saurin S（2021）信用评分模型的公平性（SSRN学术论文ID 3785882）。社会科学研究网 [47] Kozodoi，N。；雅各布·J。；Lessmann，S.，《信用评分的公平性：评估、实施和利润影响》，《欧洲运营研究杂志》，297，3，1083-1094（2022）·Zbl 1490.91228号 ·doi:10.1016/j.ejor.2021.06.023 [48] Aggarwal，C（2014），基于实例的学习：一项调查。Charu Aggarwal（Ed），数据分类：Algoth Appl CRC出版社 [49] 啊哈，DW；Kibler，D。；Albert，MK，基于实例的学习算法，《马赫学习》，6，1，37-66（1991）·doi:10.1007/BF00153759 [50] 邦坦比，G。；Bersini，H。；Birattari，M.，《建模和控制的局部范式：从神经模糊到懒惰学习》，《模糊集系统》，121，1，59-72（2001）·Zbl 0978.93528号 ·doi:10.1016/S0165-0114（99）00172-4 [51] Bontempi，G。；比拉塔里，M。；Bersini，H。；Jain，LC公司；Kacprzyk，J.，《懒惰学习：监督学习的逻辑方法》，《软计算中的新学习范式》，97-136（2002），海德堡：斯普林格·Zbl 0987.68061号 ·doi:10.1007/978-3-7908-1803-1_4 [52] 博图，L。；Vapnik，V.，局部学习算法，神经计算，4，6，888-900（1992）·doi:10.1162/neco.1992.4.6.888 [53] 阿特克森，CG；摩尔，AW；Schaal，S.，局部加权学习，Artif Intell Rev，11，1-5，11-73（1997）·doi:10.1023/A：1006559212014 [54] 多梅尼科尼，C。；彭杰。；Gunopulos，D.，局部自适应度量最近邻分类，IEEE Trans-Pattern Ana Mach Intell，24，9，1281-1285（2002）·doi:10.1109/TPAMI.2002.1033219 [55] Zhang H，Berg AC，Maire M，Malik J（2006）SVM-KNN：视觉类别识别的判别最近邻分类。2006年IEEE计算机学会计算机视觉和模式识别会议（CVPR'06）。2:126-2136 [56] Aamodt，A。；Plaza，E.，《基于案例的推理：基础问题、方法变化和系统方法》，AI Commun，7，1，39-59（1994）·doi:10.3233/AIC-1994-7104 [57] 乔·H。；韩，I。；Lee，H.，使用基于案例的推理、神经网络和判别分析进行破产预测，专家系统应用，13，2，97-108（1997）·doi:10.1016/S0957-4174（97）00011-0 [58] 武科维奇，S。；Delibasic，B。；Uzelac，A。；Suknovic，M.，使用偏好理论函数进行信用评分的基于案例的推理模型，《专家系统应用》，39，9，8389-8395（2012）·doi:10.1016/j.eswa.2012.01.181 [59] Xu，R。；Nettleton，D。；Nordman，DJ，案例特定随机森林，J Comput Graph Stat，25，1，49-65（2016）·doi:10.1080/10618600.2014.983641 [60] 加西亚，S。；德拉克，J。；卡诺，JR；Herrera，F.，《最近邻分类的原型选择：分类学和实证研究》，IEEE Trans-Pattern Ana Mach Intell，34，3，417-435（2012）·doi:10.1109/TPAMI.2011.142 [61] Leyva，E。；González，A。；Pérez，R.，《基于局部集的三种新实例选择方法：从双客体角度与几种方法的比较研究》，《模式识别》，48，4，1523-1537（2015）·doi:10.1016/j.patcog.2014.10.001 [62] Olvera-López，JA；卡拉斯科·奥乔亚，JA；马丁内斯·特立尼达，JF；Kittler，J.，实例选择方法综述，Artif Intell Rev，34，2，133-143（2010）·doi:10.1007/s10462-010-9165-y [63] de Haro-García，a。；塞鲁埃拉·加西亚，G。；García-Pedrajas，N.，《基于实例学习者助推的实例选择》，《模式识别》，96（2019）·doi:10.1016/j.patcog.2019.07.004 [64] Bischl，B。；Kühn，T。；西班纳克，G。；吕贝克，M。；Koster，A。；Letmathe，P.等人。；马德勒，R。；贝斯，B。；Walther，G.，《信用评分中分类算法的类内不平衡校正》，《运筹学学报》2014，37-43（2016），查姆：斯普林格，查姆·Zbl 1341.62306号 ·doi:10.1007/978-3-319-28697-66 [65] 李坤雪娃（Kuncheva，LI）；阿尔奈兹·冈萨雷斯（Arnaiz-González），阿拉斯加。；Díez-Pastor，J-F；Gunn，IAD，实例选择提高几何平均精度：不平衡数据分类研究，人工智能进展，8，2，215-228（2019）·doi:10.1007/s13748-019-00172-4 [66] More A（2016）关于在不平衡数据集中改进分类性能的重采样技术的调查。https://arxiv.org/abs/1608.06048 [67] 科隆，旧金山；Finlay，S.，《信用评分中的实例抽样：样本量和平衡的实证研究》，Int J Forecast，28，1224-238（2012）·doi:10.1016/j.ij预测2011.07.006 [68] Cleveland WS、Devlin SJ、Grosse E（1988）《局部拟合回归：方法、属性和计算算法》。经济学杂志37（1）：87-114 [69] Loader C（1999）局部回归和可能性。施普林格科技与商业媒体·Zbl 0929.62046号 [70] 沙尔，S。；Atkeson，CG，仅从局部信息中进行建设性增量学习，神经计算，10，82047-1984（1998）·doi:10.1162/08997669830016963 [71] Nadaraya，EA，关于估计回归，概率理论及其应用，9，1，141-142（1964）·doi:10.1137/1109020 [72] Watson GS（1964）平滑回归分析。桑基拉：Ind J Stat Ser A 359-372·Zbl 0137.13002号 [73] 施瓦兹，A。；阿明格·G。；Weihs，C。；Gaul，W.，《使用全球和本地统计模型的信用评分》，《分类——无处不在的挑战》，442-449（2005），柏林-海德堡：施普林格出版社，柏林-海德堡·doi:10.1007/3-540-28084-7_51 [74] 李，F-C，基于KNN分类器的混合信用评分策略，第六届模糊系统与知识发现国际会议，2009，330-334（2009）·doi:10.1109/FSKD.2009.261 [75] Harris，T.，使用聚类支持向量机的信用评分，专家系统应用，42，2，741-750（2015）·doi:10.1016/j.eswa.2014.08.029 [76] 刘，Z。；Pan，S.，Fuzzy-粗糙实例选择与有效分类器相结合的信用评分，神经过程快报，47，1，193-202（2018）·doi:10.1007/s11063-017-9641-3 [77] 郭毅。；周，W。；罗，C。；刘，C。；Xiong，H.，P2P借贷投资决策的基于实例的信用风险评估，《欧洲运营研究杂志》，249，2417-426（2016）·Zbl 1346.91250号 ·doi:10.1016/j.ejor.2015.05.050 [78] 布里托，AS；Sabourin，R。；Oliveira，LES，分类器的动态选择-综合评述，Pattern Recogn，47，11，3665-3680（2014）·doi:10.1016/j.patcog.2014.05.003 [79] Dietterich TG（2000）机器学习中的集成方法。In：多分类器系统。MCS 2000。Lect Notes计算机科学1857:1-15。施普林格、柏林、海德堡 [80] Kuncheva LI（2004）针对不断变化的环境的分类器组合。在F.Roli J，Kittler，T Windeatt（eds）Multiple Classifier Systems（第3077卷，第1-15页）中。施普林格-柏林-海德堡 [81] Kuncheva LI（2008）用于检测流数据中概念变化的分类器集成：概述和观点。2008年第二届SUEMA研讨会会议记录5-10 [82] Cruz RM.O，Cavalcanti GDC，Ren TI（2011）基于滤波器和自适应距离的动态集成选择方法，以提高竞争力区域的质量。2011年国际神经网络联合会议1126-1133 [83] Cruz RM O，Zakane HH，Sabourin R，Cavalcanti GDC（2017）动态集合选择VS K-NN：为什么以及何时动态选择获得更高的分类性能？2017第七届图像处理理论、工具和应用国际会议（IPTA）1-6 [84] García V，Marqués AI，sánchez JS（2012）通过预处理不平衡信贷数据改进风险预测。在T.Huang、Z.Zeng、C.Li和C.S.Leung（编辑）《神经信息处理》7664:68-75中。施普林格-柏林-海德堡 [85] 加西亚，V。；Marqués，人工智能；Sánchez，JS，《探索样本类型对信贷风险和企业破产预测集成性能的协同效应》，信息融合，47，88-101（2019）·doi:10.1016/j.inffus.2018.07.004 [86] 加西亚，V。；桑切斯，JS；Ochoa-Ortiz，A。；洛佩斯·纳杰拉，A。；莫拉莱斯，A。；Fierrez，J。；桑切斯，JS；Ribeiro，B.，《最近邻分类器的实例选择：将性能与底层数据结构连接起来》，模式识别和图像分析，249-256（2019），Springer International Publishing·doi:10.1007/978-3-030-31332-6_22 [87] Kuncheva LI（2000）分类器组合的聚类和选择模型。2000肯尼亚先令。第四届基于知识的智能工程系统及相关技术国际会议。会议记录（分类号00TH8516），1:185-188 [88] Soares RGF、Santana A、Canuto AMP、de Souto MCP（2006）使用准确性和多样性选择分类器来构建信号群。Proc Int Jt Conf神经网络1310-1316 [89] Abellán，J。；Castellano，JG，信用评分集成方法中基本分类器的比较研究，专家系统应用，73，1-10（2017）·doi:10.1016/j.eswa.2016.12.020 [90] Ala'raj，M.，&Abbod，M.F.，《信用评分分类器共识系统方法》，基于知识的系统，104，89-105（2016）·doi:10.1016/j.knosys.2016.04.013 [91] Ala'raj，M.，&Abbod，M.F.，基于分类器共识系统方法的新型混合集成信用评分模型，专家系统应用，64，36-55（2016）·doi:10.1016/j.eswa.2016.07.017 [92] X·冯。；肖，Z。；钟，B。；邱，J。；Dong，Y.，使用软概率进行信用评分的动态集成分类，应用软计算，65，139-151（2018）·doi:10.1016/j.asoc.2018年1月18日 [93] He，H。；张，W。；Zhang，S.，一种新的信用评分集成方法：不同失衡比率的适应，专家系统应用，98，105-117（2018）·doi:10.1016/j.eswa.2018.01.012 [94] 莱斯曼，S。；Baesens，B。；Seow，H-V；Thomas，LC，基准化最先进的信用评分分类算法：研究更新，Eur J Oper Res，247，1124-136（2015）·Zbl 1346.90835号 ·doi:10.1016/j.ejor.2015.05.030 [95] 小甜瓜，L。；FM Nardini；Renso，C。；特兰尼，R。；Macedo，JA，《在不平衡信用评分问题中定义动态选择技术局部区域的新方法》，专家系统应用，152（2020）·doi:10.1016/j.eswa.2020.113351 [96] Marqués，人工智能；加西亚，V。；Sánchez，JS，《关于重采样技术对信用评分中等级失衡问题的适用性》，运筹学学会杂志，64，7，1060-1070（2012）·doi:10.1057/jors.2012.120 [97] 张，H。；Liu，Q.，客户信用评估中漂移和失衡问题的在线学习方法，Symmetry，11，7，890（2019）·数字对象标识代码：10.3390/sym11070890 [98] Lasota T、Londzin B、Telec Z、Trawinñski B（2014），集合方法的比较：回归问题的专家和AdaBoost的混合。在N.T.Nguyen B、Attachoo B、Trawinn ski K、Somboonviwat（编辑）《智能信息和数据库系统》（第8398卷，第100-109页）中。施普林格国际出版公司 [99] 马萨诸塞州。；易卜拉欣普尔，R.，《专家混合：文献调查》，《Artif Intell Rev》，第42、2、275-293页（2014年）·doi:10.1007/s10462-012-9338-y [100] 徐，L。；阿玛里，S。；多皮科，JRD；J.多拉多。；Pazos，A.，《分类器与专家学习组合》，《人工智能百科全书》，318-326（2009），宾夕法尼亚州好时：IGI Global，好时·doi:10.4018/978-1-59904-849-9.ch049 [101] 蒂西亚斯，MK；Likas，A.，使用分层混合模型的专家混合分类，神经计算，14，9，2221-2244（2002）·Zbl 1010.68117号 ·doi:10.1162/089976602320264060 [102] 雅各布斯，RA；密歇根州约旦；诺兰，SJ；通用电气公司Hinton，《本地专家的自适应混合》，神经计算，3，1，79-87（1991）·doi:10.1162/neco.1991.3.1.79 [103] RMO克鲁兹；Sabourin，R。；Cavalcanti，GDC，《动态分类器选择：最新进展和展望》，信息融合，41195-216（2018）·doi:10.1016/j.inffus.2017.09.010 [104] Liang T，Zeng G，Zhong Q，Chi J，Feng J，Ao X，Tang J（2021）通过多视图感知的专家混合网络预测电子商务消费者贷款服务中的信用风险和限额。第14届ACM网络搜索和数据挖掘国际会议记录，229-237 [105] West，D.，神经网络信用评分模型，《计算机操作研究》，27，11-12，1131-1152（2000）·Zbl 0962.90004号 ·doi:10.1016/S0305-0548（99）00149-5 [106] Mays E（2005）《信用评分手册》，英国出版集团 [107] 肯尼迪，K。；Mac Namee，B。；SJ德拉尼；奥沙利文，M。；Watson，N.，《机会之窗：评估行为评分》，Expert Syst Appl，40，4，1372-1380（2013）·doi:10.1016/j.eswa.2012.08.052 [108] Branco，P。；托戈，L。；Ribeiro，RP，《不平衡领域预测模型调查》，ACM计算调查（CSUR），49，2，1-50（2016）·doi:10.1145/2907070 [109] Ganganwar，V.，《不平衡数据集分类算法概述》，《新兴技术和先进工程国际期刊》，第2、4、42-47页（2012年） [110] Kaur，H。；潘努，HS；Malhi，AK，《机器学习中不平衡数据挑战的系统综述：应用和解决方案》，ACM Compute Surv，52，4，1-36（2019） [111] Rahman MM，Davis DN（2013）《解决医学数据集中的阶级不平衡问题》。国际J马赫数学习计算224-228 [112] 孙，Y。；AKC Wong；Kamel，MS，《不平衡数据的分类：综述》，《国际J模式识别人工智能》，23，4，687-719（2009）·doi:10.1142/S0218001409007326 [113] 王，Q。；罗，Z。；黄，J。；Feng，Y。；Liu，Z.，一种新的非平衡数据学习集成方法：外推的打包-SMOTE SVM，计算机智能神经科学，2017，1-11（2017） [114] 王，S。；Minku，法学博士；Yao，X.，《在线课堂不平衡学习与概念漂移的系统研究》，IEEE神经网络与学习系统汇刊，29，10，4802-4821（2018）·doi:10.1109/TNNLS.2017.2771290 [115] I.布朗。；Mues，C.，《不平衡信用评分数据集分类算法的实验比较》，《专家系统应用》，39，3，3446-3453（2012）·doi:10.1016/j.eswa.2011.09.033 [116] Lewis EM（1992）《信用评分导论》（第二版）。Fair、Isaac和Co [117] Finlay S（2010）信用评分、响应建模和保险评级。英国帕尔格雷夫·麦克米伦 [118] 贾普科维奇，N。；Shah，M.，《评估学习算法：分类视角》（2011），剑桥大学出版社·Zbl 1230.68020号 ·文件编号：10.1017/CBO9780511921803 [119] 卢克，A。；卡拉斯科，A。；马汀，A。；de las Heras，A.，基于二进制混淆矩阵的分类性能指标中类别不平衡的影响，《模式识别》，91，216-231（2019）·doi:10.1016/j.patcog.2019.02.023 [120] Parker C（2011）二元分类器性能度量分析。2011年IEEE第11届数据挖掘国际会议，517-526 [121] 法新社Valverde-Albacete；佩莱兹·莫雷诺，C.，100·doi:10.1371/journal.pone.0084217 [122] 手，DJ；Anagostopoulos，C.，什么时候接收器工作特性曲线下的面积是分类器性能的适当度量？，《图案识别快报》，34，5，492-495（2013）·doi:10.1016/j.patrec.2012.12.004 [123] Hand DJ，Anagostopoulos C（2021）《分类器性能H测量注释》。高级数据分析类1-16 [124] Demsar，J.，多数据集上分类器的统计比较，J Mach Learn Res，7，1-30（2006）·Zbl 1222.68184号 [125] 南卡罗来纳州加西亚。；费尔南德斯，A。；Luengo，J。；Herrera，F.，《计算智能和数据挖掘实验设计中多重比较的高级非参数检验：权力的实验分析》，《信息科学》，180，10，2044-2064（2010）·doi:10.1016/j.ins.2009.12.010 [126] 加尔科纳，S。；Herrera，F.，所有成对比较的“多数据集分类器统计比较”扩展，《机器学习研究杂志》，9，18（2008）·Zbl 1225.68178号 [127] 科瓦姆，H。；塞勒莱特，N。；Aas，K。；Sjursen，S.，使用卷积神经网络预测抵押贷款违约，专家系统应用，102207-217（2018）·doi:10.1016/j.eswa.2018.02.029 [128] 盖根，D。；Hassani，B.，监管学习：如何监督机器学习模型？信用评分应用，《金融与数据科学杂志》，4，3，157-171（2018）·doi:10.1016/j.jfds.2018.04.001 [129] Kiritz N，Sarfati P（2018）模型风险管理监管指南（SR 11-7）与存款机构企业范围模型风险管理（E-23）：详细比较分析。SSRN 3332484提供 [130] Morini，M.，《理解和管理模型风险：定量、交易员和验证者实用指南》（2011年），John Wiley&Sons·doi:10.1002/9781118467312 [131] 内华达州查拉；鲍耶，KW；霍尔，LO；Kegelmeyer，WP，SMOTE:合成少数人过采样技术，《人工智能研究杂志》，16，321-357（2002）·Zbl 0994.68128号 ·doi:10.1613/jair.953 [132] 塞弗特，C。；科什戈夫塔尔，TM；Van Hulse，J。；Napolitano，A.，RUSBoost:缓解阶级不平衡的混合方法，IEEE系统、人与控制论汇刊-A部分：系统与人，40，1，185-197（2010）·doi:10.1109/TSMCA.2009.2029559 [133] Wang，H。；徐，Q。；Zhou，L.，使用套索逻辑回归集成的大不平衡信用评分，PLoS ONE，10，2（2015）·doi:10.1371/journal.pone.0117844 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，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。