TAILIEUCHUNG - Hiệu quả của các phương pháp xử lý dữ liệu mất cân bằng trong chấm điểm tín dụng: Trường hợp tại các Ngân hàng thương mại Việt Nam

Bài viết này nghiên cứu hiệu quả của phương pháp xử lý dữ liệu mất cân bằng trong bài toán phân loại khách hàng tại các ngân hàng thương mại. Đây là một vấn đề phổ biến trong vấn đề phân loại khách hàng, trong đó các quan sát của một lớp nhiều hơn lớp còn lại trong dữ liệu. Mời các bạn cùng tham khảo! | INTERNATIONAL CONFERENCE FOR YOUNG RESEARCHERS IN ECONOMICS amp BUSINESS 2020 ICYREB 2020 THE EFFECTIVENESS OF METHODS IN DEALING WITH IMBALANCED DATA IN CREDIT SCORING THE CASE OF VIETNAM COMMERCIAL BANKS HIỆU QUẢ CỦA CÁC PHƯƠNG PHÁP XỬ LÝ DỮ LIỆU MẤT CÂN BẰNG TRONG CHẤM ĐIỂM TÍN DỤNG TRƯỜNG HỢP TẠI CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM Nguyen Thi Lien MS Nguyen Thi Thu Trang MS Nguyen Thi Dung National Economics University lientkt@ Abstract This article investigates the effectiveness of imbalanced data processing methods in the problem of customer classification at commercial banks. This is a common issue in a customer classification attempt where observations of one class outnumber the remaining class. We apply the methods widely used in the world including undersampling oversampling bothsamling tech- niques and SMOTE Synthetic Minority Oversampling Technique to deal with imbalances. The logit model is applied to datasets that have been processed by these methods to classify customers. Using 7501 transaction data from individual customers the classification results using data processed with these techniques all improve significantly compared to using untreated data. Be- sides the results also show that the most efficient method is SMOTE technique combined with the logit model using variables transformed by Weight of Evidence WOE . Keywords Bothsampling credit scoring oversampling SMOTE undersampling WOE. Tóm tắt Bài báo này nghiên cứu hiệu quả của phương pháp xử lý dữ liệu mất cân bằng trong bài toán phân loại khách hàng tại các ngân hàng thương mại. Đây là một vấn đề phổ biến trong vấn đề phân loại khách hàng trong đó các quan sát của một lớp nhiều hơn lớp còn lại trong dữ liệu. Chúng tôi áp dụng các phương pháp được sử dụng rộng rãi trên thế giới bao gồm kỹ thuật lấy mẫu dưới Undersampling lấy mẫu quá mức Oversampling kỹ thuật lấy mẫu cả hai booth- sampling và SMOTE Synthetic Minority Oversampling Technique để giải quyết vấn đề mất cân bằng. Mô hình .

• Ngân hàng - Tín dụng
• Xử lý dữ liệu mất cân bằng
• Chấm điểm tín dụng
• Quản trị rủi ro tín dụng
• Ngân hàng thương mại Việt Nam
• Kỹ thuật lấy mẫu dưới
• Cấu trúc dữ liệu
• Bài giảng Cấu trúc dữ liệu
• Cây cân bằng AVL
• Cây nhị phân tìm kiếm
• Xử lý mất cân bằng bằng
• Các node trên cây cân bằng
• Bài giảng Cấu trúc dữ liệu và giải thuật
• Cách xây dựng cây cân bằng
• Các trường hợp mất cân bằng cây AVL
• Xử lý mất cân bằng cây AVL
• Thao tác trên cây AVL
• Ung thư da
• Ung thư hắc tố
• Phương pháp gán trọng số động
• Hàm mất mát Large Margin Cosine Loss
• Tập dữ liệu HAM10000
• Phân loại văn bản
• Chất lượng đào tạo đại học
• Máy học vector hỗ trợ
• Cây quyết định
• Mất cân bằng dữ liệu
• Ph ương pháp lấy mẫu
• Nắp trên
• Kẹp cáp
• Ống nhựa
• Nắp dưới
• Chọn điểm lấy mẫu