[논문 리뷰] Assessment of Customer Credit through Combined Clustering of Artificial Neural Networks, Genetics Algorithm and Bayesian Probabilities

Reza Mortezapour, Mehdi Afzali|arXiv (Cornell University)|2013. 12. 30.

Financial Distress and Bankruptcy Prediction참고 문헌 4인용 수 4

한 줄 요약

이 논문은 인공신경망(ANN), 유전적 알고리즘(GA), 베이지안 확률을 통합한 하이브리드 신용 평가 모델을 제안하여 신용 리스크 예측 성능을 향상시킨다. 군집 기반 분류와 최적화, 확률적 추론을 융합함으로써, SVM 또는 GA-SVM과 같은 독립 모델보다 높은 정확도를 달성하였으며, 10겹 교차검증에서 94.5%의 정확도를 기록하여 고객 신용 평가에서 뛰어난 성능을 입증한다.

ABSTRACT

Today, with respect to the increasing growth of demand to get credit from the customers of banks and finance and credit institutions, using an effective and efficient method to decrease the risk of non-repayment of credit given is very necessary. Assessment of customers' credit is one of the most important and the most essential duties of banks and institutions, and if an error occurs in this field, it would leads to the great losses for banks and institutions. Thus, using the predicting computer systems has been significantly progressed in recent decades. The data that are provided to the credit institutions' managers help them to make a straight decision for giving the credit or not-giving it. In this paper, we will assess the customer credit through a combined classification using artificial neural networks, genetics algorithm and Bayesian probabilities simultaneously, and the results obtained from three methods mentioned above would be used to achieve an appropriate and final result. We use the K_folds cross validation test in order to assess the method and finally, we compare the proposed method with the methods such as Clustering-Launched Classification (CLC), Support Vector Machine (SVM) as well as GA+SVM where the genetics algorithm has been used to improve them.

연구 동기 및 목표

• 은행 및 금융기관의 신용 불량 리스크를 줄이기 위해 고객의 신용 평가 정확도를 향상시키는 것.
• 기계학습 기법과 확률적 방법을 융합한 강력한 통합 분류 시스템을 개발하는 것.
• 통합 프레임워크 내에서 군집, 최적화, 베이지안 추론을 활용하여 예측 성능을 향상시키는 것.
• 교차검증을 통해 제안된 모델을 SVM 및 GA-SVM과 같은 기존 방법과 비교 검증하는 것.
• 신용 승인 프로세스에 대한 신뢰할 수 있고 데이터 기반의 의사결정 지원 시스템을 제공하는 것.

제안 방법

• 이 방법은 입력 재무 및 인구통계적 특징을 바탕으로 고객의 신용 리스크를 분류하기 위해 인공신경망(ANN)을 사용한 병합 군집 기반 접근을 적용한다.
• 유전적 알고리즘(GA)은 ANN 아키텍처와 하이퍼파라미터를 최적화하여 일반화 능력과 수렴 성능을 향상시킨다.
• 베이지안 확률은 관측된 특징에 기반한 도산의 사후 확률을 추정함으로써 분류 결과를 정밀하게 보완한다.
• 세 구성 요소—ANN, GA, 베이지안 추론—는 예측 정확도를 향상시키기 위해 계단식 분류 파이프라인에 통합된다.
• 모델 성능 평가 및 다양한 데이터 분할에 대한 강건성 확보를 위해 K-겹 교차검증(10겹)이 사용된다.
• 최종 결정은 세 구성 요소의 출력을 통합하거나 가중 평균으로 융합하여 분류 오차를 최소화한다.

실험 결과

연구 질문

• RQ1 인공신경망, 유전적 알고리즘, 베이지안 확률의 통합은 개별 모델 대비 신용 리스크 분류 정확도 향상에 기여하는가?
• RQ2 제안된 하이브리드 모델은 서포트 벡터 머신(SVM) 및 GA-SVM과 같은 기존 방법과 비교해 어떻게 성능을 발휘하는가?
• RQ3 군집 및 최적화 기법의 적용이 신용 평가 시스템의 신뢰성과 일반화 능력에 어느 정도 기여하는가?
• RQ4 신경망 출력과 확률적 추론을 융합함으로써 더 안정적이고 해석 가능한 신용 리스크 평가가 가능해지는가?
• RQ5 실제 은행 응용 분야에서 정확도와 계산 효율성 측면에서 최적의 하이브리드 모델 구성은 무엇인가?

주요 결과

• 제안된 하이브리드 모델은 10겹 교차검증에서 94.5%의 분류 정확도를 달성하여 독립형 SVM 및 GA-SVM 모델을 초월하였다.
• 유전적 알고리즘의 통합은 인공신경망 구성 요소의 수렴성과 일반화 능력을 크게 향상시켰다.
• 베이지안 확률은 모델이 불확실성을 정량화하는 데 기여하여 더 신뢰할 수 있는 리스크 추정을 가능케 하였다.
• 병합 군집 접근 방식은 특히 고위험 고객 세분화에서 개별 모델 대비 오분류율을 감소시켰다.
• 모델은 다양한 데이터 폴드에서 뛰어난 일반화 능력과 안정성을 보였으며, 강건한 성능을 입증하였다.
• 결과적으로 다중 기법 융합이 단일 기법 접근에 비해 훨씬 우수한 신용 평가 성과를 이끌어낸다는 것이 확인되었다.