Show simple item record
dc.contributor.author |
Toseafa, Evelyn
|
cze |
dc.contributor.author |
Hájek, Petr
|
cze |
dc.date.accessioned |
2020-03-19T13:06:46Z |
|
dc.date.available |
2020-03-19T13:06:46Z |
|
dc.date.issued |
2019 |
eng |
dc.identifier.isbn |
978-3-030-19809-1 |
eng |
dc.identifier.issn |
2194-5357 |
eng |
dc.identifier.uri |
https://hdl.handle.net/10195/75039 |
|
dc.description.abstract |
Ensemble classifiers are learning algorithms that combine sets of base classifiers in order to increase their diversity and, thus, decrease variance and achieve better predictive performance compared to single classifiers. Previous research has shown that ensemble classifiers are more accurate than single classifiers in predicting credit ratings. Here we deal with highly imbalanced multi-class data of regional entities. To overcome these problems, we propose a novel hybrid model combining data oversampling and cost-sensitive ensemble classification. This paper demonstrates that the use of the SMOTE technique to balance the multi-class data solves the imbalance problem effectively. Different misclassification cost assigned in cost matrix solves the problem of ordered classes. This approach is combined with ensemble classification within the MetaCost framework. We show that more accurate prediction can be achieved using this approach in terms of average cost and area under ROC. This paper provides empirical evidence on the dataset of 451 regions classified into 8 rating classes, as obtained from the Moody’s rating agency. The results show that Random Forest combined with MetaCost outperforms the rest of the base classifiers, as well as other benchmark methods. |
eng |
dc.format |
p. 332-342 |
eng |
dc.language.iso |
eng |
eng |
dc.publisher |
Springer Nature |
eng |
dc.relation.ispartof |
Artificial Intelligence Methods in Intelligent Algorithms : Proceedings of 8th Computer Science On-line Conference 2019, Vol. 2 |
eng |
dc.rights |
pouze v rámci univerzity |
cze |
dc.subject |
MetaCost |
eng |
dc.subject |
Random Forest |
eng |
dc.subject |
Ensemble learning |
eng |
dc.subject |
Regions |
eng |
dc.subject |
Credit rating |
eng |
dc.subject |
MetaCost |
cze |
dc.subject |
náhodný strom |
cze |
dc.subject |
souborové učení |
cze |
dc.subject |
regiony |
cze |
dc.subject |
úvěrový rating |
cze |
dc.title |
Predicting regional credit ratings using ensemble classification with metacost |
eng |
dc.title.alternative |
Predikce úvěrových ratingů regionů pomocí souboru klasifikátorů s metacost |
cze |
dc.type |
ConferenceObject |
eng |
dc.description.abstract-translated |
Soubory klasifikátory jsou učící se algoritmy, které kombinují soubory základních klasifikátorů, aby se zvýšila jejich rozmanitost, a tak snížil rozptyl a dosáhlo se lepšího prediktivního výkonu ve srovnání s jednotlivými klasifikátory. Předchozí výzkum ukázal, že soubory klasifikátory jsou při předpovídání ratingů přesnější než jednotlivé klasifikátory. Zde se zabýváme vysoce nevyváženými daty kategorizovanými do více tříd regionálních subjektů. K překonání těchto problémů navrhujeme nový hybridní model kombinující převzorkování dat a nákladově citlivou klasifikaci. Tento článek ukazuje, že použití techniky SMOTE k vyvážení více tříd dat účinně řeší problém jejich nevyváženosti. Různé náklady na nesprávnou klasifikaci přiřazené v matici nákladů řeší problém ordinálních tříd. Tento přístup je kombinován s klasifikací souboru v rámci MetaCost. Ukazujeme, že pomocí tohoto přístupu lze dosáhnout přesnější predikce z hlediska průměrných nákladů a plochy pod ROC křivkou. Tento článek poskytuje empirické důkazy o datovém souboru 451 regionů zařazených do 8 ratingových tříd, jak byly získány od ratingové agentury Moody's. Výsledky ukazují, že Random Forest v kombinaci s MetaCost překonává zbytek základních klasifikátorů i jiné srovnávané metody. |
cze |
dc.event |
8th Computer Science On-line Conference, CSOC 2019 (24.04.2019 - 27.04.2019, Praha) |
eng |
dc.peerreviewed |
yes |
eng |
dc.publicationstatus |
postprint |
eng |
dc.identifier.doi |
10.1007/978-3-030-19810-7_33 |
eng |
dc.relation.publisherversion |
https://link.springer.com/chapter/10.1007/978-3-030-19810-7_33 |
eng |
dc.identifier.obd |
39883423 |
eng |
This item appears in the following Collection(s)
Show simple item record
|
Search DSpace
Browse
-
All of DSpace
-
This Collection
My Account
|