Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Modeling consumer loan default prediction using neural netware

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F13%3A86092836" target="_blank" >RIV/61989100:27240/13:86092836 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1109/ICCEEE.2013.6633940" target="_blank" >http://dx.doi.org/10.1109/ICCEEE.2013.6633940</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/ICCEEE.2013.6633940" target="_blank" >10.1109/ICCEEE.2013.6633940</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Modeling consumer loan default prediction using neural netware

  • Popis výsledku v původním jazyce

    In this paper a loan default prediction model was constricted using two attribute detection functions, resulting in two data-sets with reduced attributes and the original data-set. A supervised two-layer feed-forward network, with sigmoid hidden neurons and output neurons is used to produce the prediction model. Back propagation learning algorithm was used for the network. Furthermore three different training algorithms were used to train the neural networks. The neural networks are trained using real world credit application cases from the German bank datasets which has 1000 cases; each case with 24 numerical attributes; upon which the decision is based. The aim of this paper was to compare between the resulting models produced from using different training algorithms, scaled conjugate gradient backpropagation, Levenberg-Marquardt algorithm and One-step secant backpropagation (SCG, LM and OSS). This study show that although there is no great difference between LM and SCG but still LM gives better results. The attribute reduction function used helped to produced models quickly and more accurately. 2013 IEEE.

  • Název v anglickém jazyce

    Modeling consumer loan default prediction using neural netware

  • Popis výsledku anglicky

    In this paper a loan default prediction model was constricted using two attribute detection functions, resulting in two data-sets with reduced attributes and the original data-set. A supervised two-layer feed-forward network, with sigmoid hidden neurons and output neurons is used to produce the prediction model. Back propagation learning algorithm was used for the network. Furthermore three different training algorithms were used to train the neural networks. The neural networks are trained using real world credit application cases from the German bank datasets which has 1000 cases; each case with 24 numerical attributes; upon which the decision is based. The aim of this paper was to compare between the resulting models produced from using different training algorithms, scaled conjugate gradient backpropagation, Levenberg-Marquardt algorithm and One-step secant backpropagation (SCG, LM and OSS). This study show that although there is no great difference between LM and SCG but still LM gives better results. The attribute reduction function used helped to produced models quickly and more accurately. 2013 IEEE.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2013

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings - 2013 International Conference on Computer, Electrical and Electronics Engineering: 'Research Makes a Difference', ICCEEE 2013

  • ISBN

    978-1-4673-6231-3

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    5

  • Strana od-do

    239-243

  • Název nakladatele

    IEEE

  • Místo vydání

    New York

  • Místo konání akce

    Khartoum

  • Datum konání akce

    26. 8. 2013

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000344372100042