Credit rating modelling by kernel-based approaches with supervised and semi-supervised learning
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25410%2F11%3A39882095" target="_blank" >RIV/00216275:25410/11:39882095 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/s00521-010-0495-0" target="_blank" >http://dx.doi.org/10.1007/s00521-010-0495-0</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/s00521-010-0495-0" target="_blank" >10.1007/s00521-010-0495-0</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Credit rating modelling by kernel-based approaches with supervised and semi-supervised learning
Popis výsledku v původním jazyce
This paper presents the modelling possibilities of kernel-based approaches to a complex real-world problem, i.e. corporate and municipal credit rating classification. Based on a model design that includes data pre-processing, the labelling of individualparameter vectors using expert knowledge, the design of various support vector machines with supervised learning as well as kernel-based approaches with semi-supervised learning, this modelling is undertaken in order to classify objects into rating classes. The results show that the rating classes assigned to bond issuers can be classified with high classification accuracy using a limited subset of input variables. This holds true for kernel-based approaches with both supervised and semi-supervised learning.
Název v anglickém jazyce
Credit rating modelling by kernel-based approaches with supervised and semi-supervised learning
Popis výsledku anglicky
This paper presents the modelling possibilities of kernel-based approaches to a complex real-world problem, i.e. corporate and municipal credit rating classification. Based on a model design that includes data pre-processing, the labelling of individualparameter vectors using expert knowledge, the design of various support vector machines with supervised learning as well as kernel-based approaches with semi-supervised learning, this modelling is undertaken in order to classify objects into rating classes. The results show that the rating classes assigned to bond issuers can be classified with high classification accuracy using a limited subset of input variables. This holds true for kernel-based approaches with both supervised and semi-supervised learning.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2011
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Neural Computing and Applications
ISSN
0941-0643
e-ISSN
—
Svazek periodika
20
Číslo periodika v rámci svazku
6
Stát vydavatele periodika
DE - Spolková republika Německo
Počet stran výsledku
13
Strana od-do
761-773
Kód UT WoS článku
—
EID výsledku v databázi Scopus
—