EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Adaptations of Extreme Gradient Boosting for Imbalanced Datasets with Application in Credit Scoring

Gabriel Almeida Ferreira, Adriano Kamimura Suzuki

Sigmae · 2024 · 13 (4) · 165-178

DOI: 10.29327/2520355.13.4-16 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Sigmae, 2024. Verfasst von Gabriel Almeida Ferreira und 1 weiteren Autor:innen. Die Arbeit wurde bisher 1-mal zitiert (Crossref). Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

O Credit Scoring pode ser visto como um problema de classificação binária, no qual o objetivo é aprender um modelo que classifique clientes como bons ou maus pagadores. Todavia, as bases de dados utilizadas no contexto de Credit Scoring possuem poucos exemplos de maus pagadores, o que pode levar ao erro de classificar um mau pagador como bom pagador e, portanto, gerar prejuízo ao credor. Nesse sentido, este trabalho apresenta o estudo de duas alternativas para lidar com o problema do desbalanceamento das classes: a adaptação dos algoritmos de aprendizado supervisionado, por meio do Extreme Gradient Boosting (XGBoost) utilizando a função de perda Weighted Focal Loss; e a utilização dos algoritmos de balanceamento artificial dos dados, por meio do oversampling e undersampling. Por fim, os resultados foram analisados, ponderações foram feitas sobre a utilização dos métodos propostos, e esses métodos foram aplicados em uma base de dados real. Como resultado, foram obtidos modelos com menor custo esperado, isso é, com menor prejuízo ao credor, porém também foi observada uma piora no Brier Score na abordagem baseada em balanceamento artificial dos dados.

Zitieren

APA

Ferreira, G. A., & Suzuki, A. K. (2024). Adaptations of Extreme Gradient Boosting for Imbalanced Datasets with Application in Credit Scoring. Sigmae, 13(4), 165-178. https://doi.org/10.29327/2520355.13.4-16

Vancouver

Ferreira GA, Suzuki AK. Adaptations of Extreme Gradient Boosting for Imbalanced Datasets with Application in Credit Scoring. Sigmae. 2024;13(4):165-178. doi:10.29327/2520355.13.4-16

BibTeX
@article{Ferreira2024,
  author = {Ferreira, Gabriel Almeida and Suzuki, Adriano Kamimura},
  title = {Adaptations of Extreme Gradient Boosting for Imbalanced Datasets with Application in Credit Scoring},
  journal = {Sigmae},
  year = {2024},
  volume = {13},
  number = {4},
  pages = {165--178},
  doi = {10.29327/2520355.13.4-16}
}
Kostenlos starten →