Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
Elektrische Antriebe und Energiesysteme 2025 | 26 + 27 März 2025

19. Internationaler MTZ-Fachkongress Zukunftsantriebe

Seien Sie bei der Konferenz dabei! Dort treffen Experten aus der Automobilindustrie, Energieerzeugung und Stromnetzbetrieb auf Vertreter aus Politik und Wissenschaft. Diskutiert werden wichtige Themen der Branche.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Design and Implementation of Risk Control Model Based on Deep Ensemble Learning Algorithm

verfasst von : Maoguang Wang, Ying Cui

Erschienen in: Intelligent Information Processing XII

Verlag: Springer Nature Switzerland

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper aims to explore the concept of “depth” through the selection of various ensemble methods and proposes a practical deep ensemble learning method. In this study, we propose a nested ensemble learning method. First, we employ the stacking framework for selective ensemble learning. Next, we integrate the stacked ensemble with bagging and boosting techniques to create a comprehensive stacked ensemble. We utilized both domestic and foreign online loan data to build the model and test its ability to generalize. The experimental results demonstrate that the nested ensemble proposed in this paper outperforms models such as logistic regression and support vector machines, showing exceptional generalization ability.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Bayesian Personalized Sorting Based on Time Factors and Hot Recommendations
Nächstes Kapitel More Teachers Make Greater Students: Compression of CycleGAN
Literatur
1.
Lixiang, Z.: Reflections on bank credit risk management under the new situation. SME Manag. Technol. 698(05), 127–129 (2023)
2.
Yu, L., Wang, S., Lai, K.K.: Credit risk assessment with a multistage neural network ensemble learning approach. Expert Syst. Appl. 34(2), 1434–1444 (2008)CrossRef
3.
Zhao ming, W., Xichuan, H.: Algorithm optimization based on LightGBM credit risk control model. Comput. Appl. Software 39(06), 342–349 (2022)
4.
5.
6.
Pan, D.: Research on credit risk control strategy of Internet consumer Finance based on Xgboost. Xiangtan University (2018)
7.
Mao guang, W., Xing, Y.: A risk control model and algorithm based on AP-Entropy selection ensemble. Comput. Sci. 48(S2), 71–76+80 (2021)
8.
Khashman, A.: Neural networks for credit risk evaluation: Investigation of different neural models and learning schemes. Expert Syst. Appl. 37(9), 6233–6239 (2010)CrossRef
9.
Uddin, M.S., Chi, G., Al Janabi, M.A.M., et al.: Leveraging random forest in micro‐enterprises credit risk modelling for accuracy and interpretability. Int. J. Finan. Econ. 27(3), 3713–3729 (2022)
10.
Papouskova, M., Hajek, P.: Two-stage consumer credit risk modelling using heterogeneous ensemble learning[J]. Decis. Support Syst. 118, 33–45 (2019)CrossRef
11.
Kohavi, R., Wolpert, D.H.: Bias plus variance decomposition for zero-one loss functions. In: ICML, vol. 96, pp. 275–83 (1996)
Metadaten
Titel
Design and Implementation of Risk Control Model Based on Deep Ensemble Learning Algorithm
verfasst von
Maoguang Wang
Ying Cui
Copyright-Jahr
2024
Buch
Intelligent Information Processing XII

Print ISBN: 978-3-031-57807-6

Electronic ISBN: 978-3-031-57808-3

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-57808-3_9

Premium Partner

    Bildnachweise