ترجمه فارسی مقاله مدل پیشرفته پیش‌بینی ریسک اعتباری کاربر با استفاده از LightGBM، XGBoost و Tabnet با SMOTEENN

چکیده

Bank credit risk is a significant challenge in modern financial transactions, and the ability to identify qualified credit card holders among a large number of applicants is crucial for the profitability of a bank’sbank’s credit card business. In the past, screening applicants’applicants’ conditions often required a significant amount of manual labor, which was time-consuming and labor-intensive. Although the accuracy and reliability of previously used ML models have been continuously improving, the pursuit of more reliable and powerful AI intelligent models is undoubtedly the unremitting pursuit by major banks in the financial industry. In this study, we used a dataset of over 40,000 records provided by a commercial bank as the research object. We compared various dimensionality reduction techniques such as PCA and T-SNE for preprocessing high-dimensional datasets and performed in-depth adaptation and tuning of distributed models such as LightGBM and XGBoost, as well as deep models like Tabnet. After a series of research and processing, we obtained excellent research results by combining SMOTEENN with these techniques. The experiments demonstrated that LightGBM combined with PCA and SMOTEENN techniques can assist banks in accurately predicting potential high-quality customers, showing relatively outstanding performance compared to other models.

چکیده به فارسی (ترجمه ماشینی)

ریسک اعتباری بانکی یک چالش مهم در معاملات مالی مدرن است و امکان شناسایی دارندگان کارت اعتباری واجد شرایط در بین تعداد زیادی از متقاضیان برای سودآوری کسب و کار کارت اعتباری یک بانک بسیار مهم است.در گذشته ، شرایط متقاضیان غربالگری اغلب به مقدار قابل توجهی از کار دستی نیاز داشتند ، که وقت گیر و پر کار بود.اگرچه صحت و قابلیت اطمینان مدل های ML که قبلاً استفاده شده بود به طور مداوم در حال بهبود است ، اما پیگیری مدلهای هوشمند هوش مصنوعی قابل اعتماد تر و قدرتمندتر ، بدون شک پیگیری بی نظیر بانکهای اصلی در صنعت مالی است.در این مطالعه ، ما از مجموعه ای از بیش از 40،000 سوابق تهیه شده توسط یک بانک تجاری به عنوان شی تحقیق استفاده کردیم.ما تکنیک های مختلف کاهش ابعاد مانند PCA و T-SNE را برای پیش پردازش مجموعه داده های با ابعاد بالا مقایسه کردیم و سازگاری عمیق و تنظیم مدل های توزیع شده مانند LightGBM و XGBoost و همچنین مدل های عمیق مانند Tabnet را انجام دادیم.پس از یک سری تحقیق و پردازش ، ما با ترکیب SMOTEENN با این تکنیک ها ، نتایج تحقیقاتی عالی به دست آوردیم.این آزمایشات نشان داد که LightGBM همراه با تکنیک های PCA و SMOTEENN می تواند به بانک ها در پیش بینی دقیق مشتریان بالقوه بالقوه کمک کند و عملکرد نسبتاً برجسته ای را در مقایسه با سایر مدل ها نشان می دهد.