ВПЛИВ МЕТОДІВ БАЛАНСУВАННЯ ДАНИХ НА ЯКІСТЬ ТА ЕКОНОМІЧНУ ЕФЕКТИВНІСТЬ КЛАСИФІКАЦІЇ БАНКІВСЬКИХ КЛІЄНТІВ
DOI:
https://doi.org/10.32999/ksu2307-8030/2025-54-9Ключові слова:
балансування даних, кредитний ризик, класифікація клієнтів, економічна ефективність, SMOTE, ROSE, оптимізація cutoff-порогівАнотація
Стаття досліджує вплив методів балансування даних (Oversampling, Undersampling, Over&Under, ROSE, SMOTE) на економічну ефективність класифікації ненадійних клієнтів у фінансовому секторі. Основна увага зосереджена на визначенні оптимального порогу класифікації, що максимізує прибуток банку і не шкодить якості прогнозів. Дані зібрані з 700 клієнтів із відсотком ненадійних у 26,3%. Результати показують, що SMOTE демонструє найкращі економічні результати, незважаючи на певні помилки у класифікації. Зокрема, модель SMOTE забезпечує високі показники F1-Score, F2-Score та F-Measure, підвищуючи точність прогнозування кредитних ризиків. Використання ROSE виявилось менш ефективним. Таким чином, застосування збалансованих моделей може бути вигідним для покращення фінансових результатів та зменшення втрат у банківській сфері.
Посилання
Khatir, A. A. H. A., & Bee, M. (2022). Machine learning models and data-balancing techniques for credit scoring: What is the best combination? Risks, 10, 169–190.
MİLLİ, M. E. F., Deveci Kocakoç, İ., & Aras, S. (2024). Investigating the effect of class balancing methods on the performance of machine learning techniques: Credit risk application. Izmir Journal of Management, 5, 55–69.
Haque, F. M. A., & Hassan, Md. M. (2024). Bank loan prediction using machine learning techniques. American Journal of Industrial and Business Management, 14, 1690–1711. DOI: https://doi.org/10.4236/ajibm.2024.1412085
Yang, C., Dong, Y., Lu, J., & Peng, Z. (2022). Solving imbalanced data in credit risk prediction: A comparison of resampling strategies for different machine learning classification algorithms, taking threshold tuning into account. Proceedings of the 5th International Conference on Machine Learning and Machine Intelligence (MLMI 2022), 30–40.
GeeksforGeeks. Logistic regression in machine learning. Available at: https://www.geeksforgeeks.org/understanding-logistic-regression/
Zolghadr, Z. (n.d.). Bank loan / credit scoring for bank customers. Kaggle. Available at: https://www.kaggle.com/datasets/zahrazolghadr/bank-loan-cleaned-ver1/data
Havrylenko, S. Yu., Zozulia, V. D., & Omelchenko, V. V. (2023). Doslidzhennia metodiv pidvyshchennia yakosti klasyfikatsii na nezbalansovanykh danykh [Research on methods for improving classification quality on imbalanced data]. Systemy upravlinnia, navyhatsii ta zv'iazku – Control, Navigation and Communication Systems, 2, 87–91.
Jain, A. Undersampling, oversampling and SMOTE, ensemble method and cost-sensitive learning techniques for dealing with imbalanced data. Medium. Available at: https://medium.com/@abhishekjainindore24/undersampling-oversampling-and-smote-ensemble-mehtod-and-cost-sensitive-learning-techniques-for-08efb557ec68
ROSE: Generation of synthetic data by randomly over sampling. Available at: https://rdrr.io/cran/ROSE/man/ROSE.html
Train in Data. Overcoming class imbalance with SMOTE. Available at: https://www.blog.trainindata.com/overcoming-class-imbalance-with-smote/
Verbraken, T., Bravo, C., Weber, R., & Baesens, B. (2014). Development and application of consumer credit scoring models using profit-based classification measures. European Journal of Operational Research, 238(2), 505–513.
Murel, J. (2024). What is a confusion matrix? IBM. Available at: https://www.ibm.com/think/topics/confusion-matrix
Brownlee, J. Tour of evaluation metrics for imbalanced classification. Machine Learning Mastery. Available at: https://machinelearningmastery.com/tour-of-evaluation-metrics-for-imbalanced-classification/
Mostovenko, N. A., & Korobchuk, T. I. (2016). Kredytnyi menedzhment: Navchalnyi posibnyk [Credit management: A textbook]. Lutsk National Technical University. Volynpoligraf TM.
Ahmed Almustfa Hussin Adam Khatir and Marco Bee. Machine Learning Models and Data-Balancing Techniques for Credit Scoring: What Is the Best Combination? Risks. 2022, 10, p. 169–190.
Migraç Enes Furkan MİLLİ, İpek DEVECİ KOCAKOÇ, Serkan ARAS. Investigating the Effect of Class Balancing Methods on the Performance of Machine Learning Techniques: Credit Risk Application. Izmir Journal of Management, 2024, 5, p. 55–69.
Haque, F. M. A., & Hassan, Md. M. (2024). Bank Loan Prediction Using Machine Learning Techniques. American Journal of Industrial and Business Management, 14, 1690–1711. DOI: https://doi.org/10.4236/ajibm.2024.1412085
Chenyu Yang, Yanjie Dong, Jiachen Lu, Zherui Peng. Solving Imbalanced Data in Credit Risk Prediction: A Comparison of Resampling Strategies for Different Machine Learning Classification Algorithms, Taking Threshold Tuning into Account. MLMI 2022: 2022 5th International Conference on Machine Learning and Machine Intelligence. p. 30–40.
Logistic Regression in Machine Learning. URL: https://www.geeksforgeeks.org/understanding-logistic-regression/
Zolghadr Z. Bank Loan / Credit Scoring for Bank Customers. URL:https://www.kaggle.com/datasets/zahrazolghadr/bank-loan-cleaned-ver1/data
Гавриленко С. Ю., Зозуля В. Д., Омельченко В. В. Дослідження методів підвищення якості класифікації на незбалансованих даних. Системи управління, навігації та зв'язку. 2023. № 2. С. 87–91.
Undersampling, Oversampling and SMOTE, Ensemble Method and Cost Sensitive Learning techniques for dealing with Imbalanced Data. Medium. URL: https://medium.com/@abhishekjainindore24/undersampling-oversampling-and-smote-ensemble-mehtod-and-cost-sensitive-learning-techniques-for-08efb557ec68
ROSE: Generation of synthetic data by Randomly Over Sampling… URL: https://rdrr.io/cran/ROSE/man/ROSE.html
Overcoming Class Imbalance with SMOTE. Train in Data. URL: https://www.blog.trainindata.com/overcoming-class-imbalance-with-smote/
Verbraken, T., Bravo, C., Weber, R., Baesens, B.. Development and Application of Consumer Credit Scoring Models Using Profit-Based Classification Measures. European Journal of Operational Research. 2014, 238(2), p. 505–513.
What is a confusion matrix? Jacob Murel Ph.D. IBM/2024. URL: https://www.ibm.com/think/topics/confusion-matrix
Jason Brownlee. Tour of Evaluation Metrics for Imbalanced Classification. URL: https://machinelearningmastery.com/tour-of-evaluation-metrics-for-imbalanced-classification/
Мостовенко Н. А., Коробчук Т. І. Кредитний менеджмент: Навчальний посібник. Луцький національний технічний університет. Луцьк : Волиньполіграф ТМ, 2016. 280 с.
