机构名称：
¥ 1.0
精确且可靠的贷款状况预测是金融机构的本质，但是，该数据中缺乏现实世界中的数据和偏见会极大地影响机器学习模型的准确性。贷款状况预测模型面临的另一个挑战是阶级失衡，其中一个类别（例如批准的贷款）比另一个类别（例如批准的贷款）（例如违约贷款）更普遍，从而导致对多数类的预测偏差。这项研究检查了生成的对抗网络（GAN），以增强数据并改善机器学习模型的性能。在Kaggle贷款数据集（380个样本）上使用了几种机器学习（ML）模型，包括但不限于支持向量机（SVM）和集合袋树。基线训练和测试精度为86.9％和86.3％（SVM），84.5％和82.1％（集合）。actgan（激活生成网络）来生成被接受和拒绝贷款的合成数据点。使用新的增强数据进行重新培训显示出显着的改进：训练和测试的SVM精度上升至94.4％和93.4％，而集成模型分别达到97.4％和95.8％。还探索了其他ML模型，例如KNN，决策树和逻辑回归，并在准确性方面表现出了令人鼓舞的结果。这些发现提出，基于GAN的数据增强可以增强贷款状况预测的性能。未来的研究可以探索Gan对不同架构的影响，并评估这种方法的一般适用性。
通过生成的...
主要关键词
相关文件推荐
