기업부도예측 부스팅 모델의 성능 최적화 (Performance Optimization of Bankruptcy Prediction Boosting Model)

서지정보

· 발행기관 : 한국정보기술학회
· 수록지 정보 : 한국정보기술학회논문지 / 23권 / 3호 / 27 ~ 38페이지
· 저자명 : 김명종, 김윤후, 김재남

초록

대부분의 분류모델들은 손실함수 극소화를 학습 알고리즘의 목적함수로 채택하고 있지만, 이러한 분류모델은 범주 불균형 문제에서 다수 범주의 특이도에만 초점을 맞추고 소수 범주의 민감도를 무시하는 불균형 학습을 진행하기 때문에 소수 범주에 대한 분류성능이 저하된다. 본 연구의 GMOPT는 기하평균(GM) 극대화를 학습 알고리즘의 목적함수로 설정하고 GM 극대화를 위한 최적화 작업을 수행함으로써 다수 및 소수 범주에 대한 균형 학습을 진행한다. GMOPT의 성능 검증을 위하여 한국, 러시아, 폴란드 3개 국가의 부도예측 데이터를 구성하였으며 전통적인 부스팅 모델을 벤치마크 모델로 활용하여 성능을 비교한 결과 GMOPT는 범주 불균형 문제에서 다수 범주와 소수 범주에 대한 균형 학습을 진행할 수 있으며, GM과 ROC곡선 하의 면적(AUROC) 측면에서 탁월한 성능개선 효과를 보였다.

영어초록

Most classification models adopt the minimization of a loss function as the objective function in their learning algorithms. However, such models often exhibit imbalanced learning in the presence of class imbalance, focusing solely on the specificity of majority classes while neglecting the sensitivity of minority classes. This results in degraded classification performance for minority classes. The proposed GMOPT in this study addresses this issue by setting the maximization of the Geometric Mean(GM) as the objective function of the learning algorithm and performing optimization tailored for GM maximization. To validate the performance of GMOPT, bankruptcy prediction datasets from three countries—South Korea, Russia, and Poland—were utilized. Performance comparisons were conducted using traditional boosting models as benchmark models. The results demonstrated that GMOPT effectively performs balanced learning for both majority and minority classes in class imbalance scenarios and significantly improves performance in terms of GM and Area Under Receiver Ope-rating Characteristic Curve(AUROC) metrics.

참고자료

· 없음