دانلود مقاله انگلیسی رایگان:یک روش رد استنباط برمبنای تخمین احتمال بدبینی مخالف برای وام دهی P2P - 2018

بلافاصله پس از پرداخت دانلود کنید

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • A rejection inference technique based on contrastive pessimistic likelihood estimation for P2P lending A rejection inference technique based on contrastive pessimistic likelihood estimation for P2P lending

    سال انتشار:

    2018


    عنوان انگلیسی مقاله:

    A rejection inference technique based on contrastive pessimistic likelihood estimation for P2P lending


    ترجمه فارسی عنوان مقاله:

    یک روش رد استنباط برمبنای تخمین احتمال بدبینی مخالف برای وام دهی P2P


    منبع:

    Electronic Commerce Research and Applications Volume 30, July–August 2018, Pages 111-124


    نویسنده:

    Yufei Xia, Xiaoli Yang, Yeying Zhang


    چکیده انگلیسی:

    The majority of current credit-scoring models are built solely on accepted samples and thus cause sample bias. Sample bias is particularly severe in the peer-to-peer (P2P) lending domain due to its comparatively high rejection rate. Reject inference solves sample bias by inferring the possible outcomes of rejected samples and incorporating them into credit score modeling. This study addresses the problem of reject inference in a specific P2P lending domain from the perspective of semi-supervised learning. A novel reject inference method (CPLE-LightGBM) is proposed by combining the contrastive pessimistic likelihood estimation framework and an advanced gradient boosting decision tree classifier (LightGBM). The performance of the proposed CPLE-LightGBM method is validated on multiple datasets, and results demonstrate the efficiency of our proposal. Analysis of the influence of rejection rate on predictive accuracy reveals the usefulness of sampling in rejected datasets.
    keywords: Big data applications |Contrastive pessimistic likelihood |Credit scoring |Data analytics |Gradient boosting decision tree estimation |Machine learning |P2P lending |Reject inference |Semi-supervised learning


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 14
    حجم فایل: 1103 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی: نظر




آرشیو کامل مقالات

اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

این مقاله را در فیس بوک به اشتراک بگذارید این مقاله را در توییتر به اشتراک بگذارید این مقاله را در لینکداین به اشتراک بگذارید این مقاله را در گوگل پلاس به اشتراک بگذارید این مقاله را در زینگ به اشتراک بگذارید این مقاله را در تلگرام به اشتراک بگذارید

تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-های-بزرگ
موضوعات
footer