2016 Third International Conference on Artificial Intelligence and Pattern Recognition (AIPR) 2016
DOI: 10.1109/icaipr.2016.7585216
|View full text |Cite
|
Sign up to set email alerts
|

A machine learning approach for predicting bank credit worthiness

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
2
1

Citation Types

0
10
0
4

Year Published

2018
2018
2023
2023

Publication Types

Select...
5
3

Relationship

0
8

Authors

Journals

citations
Cited by 46 publications
(14 citation statements)
references
References 6 publications
0
10
0
4
Order By: Relevance
“…Several machine learning algorithms have been used on a real bank credit dataset for comparative analysis and to choose which algorithms are the best fit for learning bank credit data. ese algorithms gave over 80% accuracy in prediction [15]. For evaluating bank efficiency and performance, a combined DEA with three machine learning approaches were used in 444 Ghanaian bank branches, decision-making units (DMUs).…”
Section: Related Workmentioning
confidence: 99%
“…Several machine learning algorithms have been used on a real bank credit dataset for comparative analysis and to choose which algorithms are the best fit for learning bank credit data. ese algorithms gave over 80% accuracy in prediction [15]. For evaluating bank efficiency and performance, a combined DEA with three machine learning approaches were used in 444 Ghanaian bank branches, decision-making units (DMUs).…”
Section: Related Workmentioning
confidence: 99%
“…En el mercado de valores para determinar en qué momento comprar o vender acciones (Chatzis et al, 2018;Chen et al, 2018;Fernández et al, 2013;Nayak et al, 2016;Shah et al, 2018). En el sector bancario para la aprobación de créditos (Okesola et al, 2018;Peña et al, 2017;Turkson et al, 2016). También se ha usado la IA para procesos de selección de personal (Menon y Rahulnath, 2017;Nawaz, 2019;Van Esch et al, 2019).…”
Section: Introductionunclassified
“…Se han usado diversas técnicas de inteligencia artificial sobre conjuntos de datos generados a partir de entidades financieras [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18]. Los modelos propuestos se centran en dos enfoques relacionados con el área del riesgo crediticio.…”
Section: Introductionunclassified
“…Resultados obtenidos con el algoritmo de Máquinas de soporte vectorial Análisis ROC del modelo usando Máquinas de soporte vectorial. Fuente: elaboración propia.Los modelos propuestos en este trabajo con algoritmos como Random Forest y C4.5 superan la exactitud del trabajo de[1] y además presentan una especificidad mucho más alta, lo cual resulta importante para este problema ya que no solo se logra identificar un alto porcentaje de los ciertos positivos y negativos, sino que también se logra mantener una alta especificidad, lo cual significa que los modelos pueden identificar un gran porcentaje de clientes que no incumplirán el pago.La exactitud mide la fracción de predicciones correctas y considera tanto a los verdaderos positivos (clientes que incumplen) como a los verdaderos negativos (clientes que no incumplen). Por esta razón, se convierte en una medida que tiene en cuenta ambas predicciones resaltando la capacidad de los modelos propuestos para no enfocarse en la clasificación de solamente uno de los dos tipos de predicciones, sino que logra mantener un balance entre las dos.…”
unclassified
See 1 more Smart Citation