[논문]P2P 대부 우수 대출자 예측을 위한 합성 소수집단 오버샘플링 기법 성과에 관한 탐색적 연구

프란시스 조셉 코스텔로; 이건창

doi:10.14400/jdc.2019.17.9.071

초록
AI-Helper

본 연구는 P2P 대부 플랫폼에서 우수 대출자를 예측시 유용한 합성 소수집단 오버샘플링 기법을 제안하고 그 성과를 실증적으로 검증하고자 한다. P2P 대부 관련 우수 대출자를 추정할 때 일어나는 문제점중의 하나는 클래스 간 불균형이 심하여 이를 해결하지 않고서는 우수 대출자 예측이 쉽지 않다는 점이다. 이러한 문제를 해결하기 위하여 본 연구에서는 SMOTE, 즉 합성 소수집단 오버샘플링 기법을 제안하고 LendingClub 데이터셋에 적용하여 성과를 검증하였다. 검증결과 SMOTE 방법은 서포트 벡터머신, k-최근접이웃, 로지스틱 회귀, 랜덤 포레스트, 그리고 딥 뉴럴네트워크 분류기와 비교하여 통계적으로 우수한 성과를 보였다.

Abstract ▼ AI-Helper

This study aims to identify good borrowers within the context of P2P lending. P2P lending is a growing platform that allows individuals to lend and borrow money from each other. Inherent in any loans is credit risk of borrowers and needs to be considered before any lending. Specifically in the conte...

This study aims to identify good borrowers within the context of P2P lending. P2P lending is a growing platform that allows individuals to lend and borrow money from each other. Inherent in any loans is credit risk of borrowers and needs to be considered before any lending. Specifically in the context of P2P lending, traditional models fall short and thus this study aimed to rectify this as well as explore the problem of class imbalances seen within credit risk data sets. This study implemented an over-sampling technique known as Synthetic Minority Over-sampling Technique (SMOTE). To test our approach, we implemented five benchmarking classifiers such as support vector machines, logistic regression, k-nearest neighbor, random forest, and deep neural network. The data sample used was retrieved from the publicly available LendingClub dataset. The proposed SMOTE revealed significantly improved results in comparison with the benchmarking classifiers. These results should help actors engaged within P2P lending to make better informed decisions when selecting potential borrowers eliminating the higher risks present in P2P lending.

주제어

표/그림 (3)

표 Table 1. This table shows the evaluation of the Cost-sensitivity algorithm implemented with the Random Forest algorithm to find a good fit.
표 Table 2. This table shows the results from implementing the five algorithms on the original dataset and the dataset which was over-sampled with SMOTE.
표 Table 3. This table shows the results from implementing T-tests based on the Original/SMOTE dataset with Random Forest as the classifier.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

Specifically, we implemented the use of the Synthetic Minority Over-sampling Technique (SMOTE) [10] in order to help reduce the imbalanced class problem and found greater results in this model when applied alongside a Random Forest ensemble classifier [3]. With this, lenders engaged with P2P lending should now be better placed to identify good and bad borrowers and thus make a more informed decision. with this, lenders will reduce their risk and help to improve their portfolio.

제안 방법

Our test was to find out whether our implementation of SMOTE can lead to greater results based on two main metrics: accuracy (ACC) and the area under the roc curve (AUC). All tests were done with the implementation of 10-fold cross validation whereby the training data was split into 10 subsets of equal size. Next we tested the SMOTE model against the original model [3] with t-tests.
In this paper we have analyzed recent trends in social lending (P2P) using a classification methodology. Specifically, we implemented the use of the Synthetic Minority Over-sampling Technique (SMOTE) [10] in order to help reduce the imbalanced class problem and found greater results in this model when applied alongside a Random Forest ensemble classifier [3].
In this paper, we implemented four common algorithms seen within P2P lending literature as well as implemented a deep learning NN. Our test was to find out whether our implementation of SMOTE can lead to greater results based on two main metrics: accuracy (ACC) and the area under the roc curve (AUC).
In this paper, we implemented four common algorithms seen within P2P lending literature as well as implemented a deep learning NN. Our test was to find out whether our implementation of SMOTE can lead to greater results based on two main metrics: accuracy (ACC) and the area under the roc curve (AUC). All tests were done with the implementation of 10-fold cross validation whereby the training data was split into 10 subsets of equal size.
To identify good borrowers within the context of P2P lending this paper looks to tackle the problem of class imbalances through the implementation of an over-sampling technique known as Synthetic Minority Over-sampling Technique (SMOTE) [10]. To test our approach, we have implemented three classifiers (Support Vector Machines (SVM), Logistic Regression (LR) and K-Nearest Neighbor (kNN)) one ensemble technique (Random Forest (RF)) and one deep learning model (Deep Neural Network (DNN)).
To identify good borrowers within the context of P2P lending this paper looks to tackle the problem of class imbalances through the implementation of an over-sampling technique known as Synthetic Minority Over-sampling Technique (SMOTE) [10]. To test our approach, we have implemented three classifiers (Support Vector Machines (SVM), Logistic Regression (LR) and K-Nearest Neighbor (kNN)) one ensemble technique (Random Forest (RF)) and one deep learning model (Deep Neural Network (DNN)). By implementing our approach to credit risk assessment, actors engaged in P2P lending should be able to make a more informed decision when choosing potential lenders leading to a reduction in risk.

대상 데이터

Following recommendations from previous researchers [3] we applied the same steps to create the final feature list. The final data set included 18 features and one class. All pre-processing and data manipulation followed recommendations from Malekipirbazari & Aksakalli (2015) [3].

이론/모형

All tests were performed using the WEKA tool¹⁾. Firstly, the baseline SVM, LR and kNN models from the WEKA tool were used.
. Firstly, the baseline SVM, LR and kNN models from the WEKA tool were used. For RF, and based on recommendation by [3], the model implemented maximum tree depth of 25, maximum tree build of 80 and also a tree split number of 5.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

P2P 대부 우수 대출자 예측을 위한 합성 소수집단 오버샘플링 기법 성과에 관한 탐색적 연구
Exploring the Performance of Synthetic Minority Over-sampling Technique (SMOTE) to Predict Good Borrowers in P2P Lending 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (3)

표/그림 (3)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

P2P 대부 우수 대출자 예측을 위한 합성 소수집단 오버샘플링 기법 성과에 관한 탐색적 연구 Exploring the Performance of Synthetic Minority Over-sampling Technique (SMOTE) to Predict Good Borrowers in P2P Lending 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (3)

표/그림 (3)

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

이 논문을 인용한 문헌

저자의 다른 논문 :

이건창 (115)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

P2P 대부 우수 대출자 예측을 위한 합성 소수집단 오버샘플링 기법 성과에 관한 탐색적 연구
Exploring the Performance of Synthetic Minority Over-sampling Technique (SMOTE) to Predict Good Borrowers in P2P Lending 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper