그라디언트 부스팅과 균형 분류를 이용한 채무 불이행 예측 (Predicting Loan Defaults with Gradient Boosting and Balanced Classification)

서지정보

· 발행기관 : 한국정보기술학회
· 수록지 정보 : 한국정보기술학회논문지 / 12권 / 1호 / 155 ~ 164페이지
· 저자명 : 김희종, 김형도

초록

그라디언트 부스팅 알고리즘은 손실 함수의 경사도를 바탕으로 다수의 약한 예측 모형들을 단계적으로 생성하여 앙상블 방식으로 결합함으로써 강한 예측 모형을 생성하는 부스팅 기법을 사용한다. 해석 가능한 결과를 제시하며, 결손된 값이 있는 경우에도 정보 손실 없이 예측 가능하고, 처리 과정에서 자동적으로 특징 변수가 선택되는 등의 장점을 가지고 있다. 이러한 그라디언트 부스팅 알고리즘을 대출자 또는 대출희망자가 채무를 이행하지 않을 가능성을 예측하는 채무 불이행 예측에 적용하는 연구는 매우 부족한 상황이기에, 이 논문에서는 그 성능을 다른 알고리즘들과 비교 평가하고, 채무 불이행 데이터 집합의 중요한 특성 중 하나인 클래스 불균형 문제에 대한 해결책을 검토하였다. 채무 불이행 예측에서 그라디언트 부스팅은 AUC를 기준으로 가장 우수한 결과를 보여주었으며, 클래스 불균형 문제 해결 기법과 그라디언트 부스팅 알고리즘을 결합하여 G-평균과 F척도에서 의미 있는 개선이 가능하였다.

영어초록

Gradient boosting, which is a kind of boosting technique, builds a strong prediction model by combining many weak prediction models created step by step with gradients of a loss function. Gradient boosting gives interpretable results, while missing values are managed almost without loss of information, and feature selection is performed as an integral part of the procedure. These properties make gradient boosting a good candidate for loan default prediction. As far as we know, the application of this method to loan default prediction has not been fully documented to date. This paper tries to evaluate it comparatively with other algorithms. Some alternatives for solving the imbalance characteristic of the loan default prediction problem are also analyzed in combination with the method. Gradient boosting shows the best result in AUC and improvements through the combination are also meaningful in G-mean and F-measure.

참고자료

· 없음