Xây dựng mô hình dự báo rủi ro vỡ nợ bằng các mô hình học máy: Nghiên cứu thực nghiệm trên các doanh nghiệp Việt Nam
Tác giả: Nguyễn Minh Nhật, Trần Kim Long, Lê Hoàng Anh
Số trang:
Tr. 71-81
Số phát hành:
Số 216 - Tháng 3
Kiểu tài liệu:
Tạp chí trong nước
Nơi lưu trữ:
209 Phan Thanh
Mã phân loại:
332
Ngôn ngữ:
Tiếng Việt
Từ khóa:
Rừng ngẫu nhiên, mô hình cây quyết định, thuật toán Boosting
Chủ đề:
Rủi ro vỡ nợ
Tóm tắt:
Sử dụng các mô hình máy học dựa trên thuật toán cây quyết định để dự báo RRVN của các doanh nghiệp tại Việt Nam giai đoạn 2009–2020. Kết quả cho thấy mô hình Random Forest và Gradient Boosting là hai mô hình có kết quả vượt trội so với mô hình Logistic trên tất cả các tiêu chí đánh giá như Confusion Matrix AUC, tỷ lệ Accuracy, tỷ lệ Precision, tỷ lệ Recall và Điểm số F1. Trong đó, mô hình Random Forest có xu hướng vượt trội hơn so với mô hình Gradient Boosting trên các chỉ tiêu đánh giá. Hơn nữa, kết quả của mô hình cũng gợi ý những biến dự báo quan trọng trong việc xây dựng mô hình dự báo RRVN.
Tạp chí liên quan
- Thiết kế đô thị vì sức khỏe cộng đồng
- Nghiên cứu các yếu tố hấp dẫn đô thị : lấy TP. HCM làm nghiên cứu điển hình
- Nghiên cứu thực nghiệm xác định áp lực sóng xung kích trên bề mặt đất do 2 lượng nổ liên tiếp trong không khí
- Sử dụng lý thuyết biến dạng cắt tính toán động lực học của dầm bê tông cốt thanh composite aramid trên nền đàn hồi chịu tác dụng của hệ dao động di động
- Kinh nghiệm phát triển kinh tế số của một số quốc gia Đông Á và bài học tham khảo cho Việt Nam