LỜI CAM ĐOAN . i
LỜI CÁM ƠN .ii
DANH MỤC CÁC TỪ VIẾT TẮT.vi
DANH MỤC HÌNH VẼ .vii
GIỚI THIỆU. 1
CHƯƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU. 3
1.1. Khai phá dữ liệu là gì?. 3
1.2. Lợi ích của Khai phá dữ liệu . 3
1.3. Các bước chính trong khai phá dữ liệu. 4
1.4. Các kỹ thuật khai phá dữ liệu . 5
Kỹ thuật phân lớp. 5
Kỹ thuật phân cụm . 5
Kỹ thuật phân tích luật kết hợp . 5
Kỹ thuật bài toán hồi quy . 5
Kỹ thuật dự đoán . 5
Kỹ thuật phân tích chuỗi . 6
Kỹ thuật phân tích độ lệch. 6
1.5. Các thuật toán phân lớp . 6
Rừng ngẫu nhiên - Random Forest . 6
Hồi quy logistic - Logistic Regression. 7
Cây quyết định - Decision tree. 7
Phân lớp sác xuất - Navie Bayes. 8
Máy véc-tơ hỗ trợ - Supper Vector Machine (SVM). 8
Stochastic Gradient Descent. 9
Láng giềng gần nhất – (K-Nearest Neighbours) . 9
1.6. Ứng dụng của khai phá dữ liệu. 9
1.7. Đề tài khai phá dữ liệu phân lớp rủi ro tín dụng . 13
CHƯƠNG 2: BÀI TOÁN PHÂN LỚP DỰ BÁO RỦI RO TÍN DỤNG. 14
2.1. Lý thuyết rủi ro tín dụng. 14
Khái niệm rủi ro tín dụng . 14
68 trang |
Chia sẻ: honganh20 | Ngày: 10/03/2022 | Lượt xem: 369 | Lượt tải: 2
Bạn đang xem trước 20 trang tài liệu Luận văn Khai thác và phân tích dữ liệu nhằm quản lý rủi ro trong giao dịch tín dụng, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
gì cần dạy và cách dạy. Mô hình học tập của các sinh viên có thể
được nắm bắt và sử dụng để phát triển các kỹ thuật để dạy họ.
Kỹ thuật sản xuất
Kiến thức là tài sản tốt nhất mà một doanh nghiệp sản xuất sẽ sở hữu. Các công
cụ Khai phá dữ liệu có thể rất hữu ích để khám phá các mẫu trong quy trình sản
xuất phức tạp. Khai phá dữ liệu có thể được sử dụng trong thiết kế cấp hệ thống
để trích xuất các mối quan hệ giữa kiến trúc sản phẩm, danh mục sản phẩm và
dữ liệu nhu cầu của khách hàng. Nó cũng có thể được sử dụng để dự đoán thời
gian phát triển sản phẩm, chi phí và sự phụ thuộc giữa các nhiệm vụ khác.
Quản lý quan hệ khách hàng
Quản lý quan hệ khách hàng là tất cả về việc có được và giữ chân khách hàng,
cũng cải thiện lòng trung thành của khách hàng và thực hiện các chiến lược tập
trung vào khách hàng. Để duy trì mối quan hệ đúng đắn với khách hàng, một
doanh nghiệp cần thu thập dữ liệu và phân tích thông tin. Đây là nơi Khai phá
dữ liệu đóng vai trò của nó. Với công nghệ Khai phá dữ liệu, dữ liệu thu thập
được có thể được sử dụng để phân tích. Thay vì bối rối nơi tập trung để giữ chân
khách hàng, những người tìm kiếm giải pháp có được kết quả được lọc.
Phát hiện gian lận
Hàng tỷ đô la đã bị mất cho các hành động gian lận. Các phương pháp phát hiện
gian lận truyền thống rất tốn thời gian và phức tạp. Hỗ trợ Khai phá dữ liệu
trong việc cung cấp các mẫu có ý nghĩa và biến dữ liệu thành thông tin. Bất kỳ
thông tin nào là hợp lệ và hữu ích là kiến thức. Một hệ thống phát hiện gian lận
11
hoàn hảo sẽ bảo vệ thông tin của tất cả người dùng. Một phương pháp được
giám sát bao gồm thu thập các hồ sơ mẫu. Những hồ sơ này được phân loại gian
lận hoặc không gian lận. Một mô hình được xây dựng bằng cách sử dụng dữ liệu
này và thuật toán được thực hiện để xác định xem bản ghi có lừa đảo hay không.
Phát hiện xâm nhập
Bất kỳ hành động nào sẽ làm tổn hại đến tính toàn vẹn và bảo mật của tài
nguyên là một sự xâm nhập. Các biện pháp phòng thủ để tránh sự xâm nhập bao
gồm xác thực người dùng, tránh lỗi lập trình và bảo vệ thông tin. Khai phá dữ
liệu có thể giúp cải thiện phát hiện xâm nhập bằng cách thêm một mức độ tập
trung vào phát hiện bất thường. Nó giúp một nhà phân tích phân biệt một hoạt
động với hoạt động mạng hàng ngày phổ biến. Khai phá dữ liệu cũng giúp trích
xuất dữ liệu phù hợp hơn với vấn đề.
Phát hiện nói dối
Bắt một tên tội phạm là dễ dàng trong khi đưa ra sự thật từ anh ta là khó khăn.
Thực thi pháp luật có thể sử dụng các kỹ thuật khai thác để điều tra tội phạm,
giám sát liên lạc của những kẻ khủng bố bị nghi ngờ. Điều này bao gồm khai
thác văn bản cũng. Quá trình này tìm kiếm các mẫu có ý nghĩa trong dữ liệu
thường là văn bản phi cấu trúc. Mẫu dữ liệu được thu thập từ các cuộc điều tra
trước được so sánh và một mô hình để phát hiện nói dối được tạo ra. Với mô
hình này, các quy trình có thể được tạo ra theo sự cần thiết.
Phân khúc khách hàng
Nghiên cứu thị trường truyền thống có thể giúp chúng tôi phân khúc khách hàng
nhưng Khai phá dữ liệu đi sâu và tăng hiệu quả thị trường. Hỗ trợ Khai phá dữ
liệu trong việc sắp xếp các khách hàng thành một phân khúc riêng biệt và có thể
điều chỉnh các nhu cầu theo khách hàng. Thị trường luôn luôn là giữ chân khách
hàng. Khai phá dữ liệu cho phép tìm một phân khúc khách hàng dựa trên lỗ
hổng và doanh nghiệp có thể cung cấp cho họ các ưu đãi đặc biệt và nâng cao sự
hài lòng.
Ngân hàng tài chính
Với ngân hàng máy tính ở khắp mọi nơi, lượng dữ liệu khổng lồ được cho là sẽ
được tạo ra với các giao dịch mới. Khai phá dữ liệu có thể góp phần giải quyết
các vấn đề kinh doanh trong tài chính ngân hàng bằng cách tìm ra mô hình,
nguyên nhân và mối tương quan trong thông tin kinh doanh và giá cả thị trường
không rõ ràng đối với các nhà quản lý vì dữ liệu khối lượng quá lớn hoặc được
các chuyên gia tạo ra quá nhanh. Các nhà quản lý có thể tìm thấy những thông
12
tin này để phân khúc, nhắm mục tiêu, thu nhận, giữ chân và duy trì một khách
hàng có lợi nhuận tốt hơn.
Giám sát doanh nghiệp
Giám sát doanh nghiệp là giám sát hành vi của một người hoặc nhóm của một
công ty. Dữ liệu được thu thập thường được sử dụng cho mục đích tiếp thị hoặc
bán cho các tập đoàn khác, nhưng cũng thường xuyên được chia sẻ với các cơ
quan chính phủ. Nó có thể được sử dụng bởi các doanh nghiệp để điều chỉnh các
sản phẩm của họ mong muốn của khách hàng của họ. Dữ liệu có thể được sử
dụng cho các mục đích tiếp thị trực tiếp, chẳng hạn như quảng cáo được nhắm
mục tiêu trên Google và Yahoo, nơi quảng cáo được nhắm mục tiêu đến người
dùng công cụ tìm kiếm bằng cách phân tích lịch sử tìm kiếm và email của họ.
Phân tích nghiên cứu
Lịch sử cho thấy chúng ta đã chứng kiến những thay đổi mang tính cách mạng
trong nghiên cứu. Khai phá dữ liệu rất hữu ích trong việc làm sạch dữ liệu, xử lý
trước dữ liệu và tích hợp cơ sở dữ liệu. Các nhà nghiên cứu có thể tìm thấy bất
kỳ dữ liệu tương tự từ cơ sở dữ liệu có thể mang lại bất kỳ thay đổi trong nghiên
cứu. Xác định bất kỳ chuỗi đồng xảy ra và mối tương quan giữa bất kỳ hoạt
động có thể được biết. Trực quan hóa dữ liệu và Khai phá dữ liệu trực quan cung
cấp cho chúng ta một cái nhìn rõ ràng về dữ liệu.
Điều tra tội phạm
Tội phạm học là một quá trình nhằm xác định các đặc điểm tội phạm. Thực tế
phân tích tội phạm bao gồm khám phá và phát hiện tội phạm và mối quan hệ của
họ với tội phạm. Khối lượng lớn các bộ dữ liệu tội phạm và sự phức tạp của các
mối quan hệ giữa các loại dữ liệu này đã khiến tội phạm học trở thành một lĩnh
vực thích hợp để áp dụng các kỹ thuật Khai phá dữ liệu. Báo cáo tội phạm dựa
trên văn bản có thể được chuyển đổi thành tập tin xử lý văn bản. Những thông
tin này có thể được sử dụng để thực hiện quá trình khớp tội phạm.
Tin học sinh học
Phương pháp Khai phá dữ liệu có vẻ phù hợp lý tưởng với Tin sinh học, vì nó
giàu dữ liệu. Khai phá dữ liệu sinh học giúp trích xuất kiến thức hữu ích từ các
bộ dữ liệu khổng lồ được thu thập trong sinh học và trong các lĩnh vực khoa học
đời sống liên quan khác như y học và khoa học thần kinh. Các ứng dụng Khai
phá dữ liệu cho tin sinh học bao gồm tìm gen, suy luận chức năng protein, chẩn
đoán bệnh, tiên lượng bệnh, tối ưu hóa điều trị bệnh, tái tạo mạng lưới tương tác
protein và gen, làm sạch dữ liệu và dự đoán vị trí tế bào phụ protein.
13
1.7. Đề tài khai phá dữ liệu phân lớp rủi ro tín dụng
Trong phạm vi luận văn, tác giả đề cập đến ứng dụng khai phá dữ liệu để phân
lớp rủi ro tín dụng.
Đánh giá rủi ro tín dụng là môt bước quan trọng trong hoạt động cho vay trong
ngành tài chính ngân hàng. Thiếu bước này, ngân hàng sẽ không thể đưa ra
quyết định khách quan về việc có nên giải ngân cho vay khách hàng hay không.
Đánh giá rủi ro thường là sự cố gắng định lượng độ rủi ro mất mát của ngân
hàng khi thực hiện một quyết định cho vay.
Ở đây, rủi ro tín dụng có thể được định lượng bằng giá trị của tài sản thế chấp
hoặc, các yếu tố thông tin về người vay, của yếu tố khả năng mất vốn, và tỷ lệ
thu hồi của công cụ trong trường hợp người vay không có khả năng trả nợ
Do đó ta có thể sử dụng các phương pháp phân lớp - classifications áp dụng
trên thông tin dữ liệu của khách vay để phân loại nhóm khách hàng.
14
CHƯƠNG 2: BÀI TOÁN PHÂN LỚP DỰ BÁO RỦI RO TÍN DỤNG
2.1. Lý thuyết rủi ro tín dụng
Khái niệm rủi ro tín dụng
Tín dụng ngân hàng (cho vay) là quan hệ tín dụng giữa ngân hàng, các tổ chức
tín dụng và các tổ chức kinh tế, cá nhân theo nguyên tắc hoàn trả. Việc hoàn trả
được nợ gốc trong tín dụng có nghĩa là việc thực hiện được giá trị hàng hoá trên
thị trường, còn việc hoàn trả được lãi vay trong tín dụng là việc thực hiện được
giá trị thặng dư trên thị trường. Trong quan hệ tín dụng có hai đối tượng tham
gia là ngân hàng cho vay và người đi vay [6].
Rủi ro tín dụng là:
Khoản lỗ có nguy cơ xảy ra khi ngân hàng cấp tín dụng.
Những thiệt hại mà ngân hàng gánh chịu do người vay vốn không trả
đúng hạn, không thực hiện đúng nghĩa vụ cam kết trong hợp đồng cho vay
vì bất kể lý do gì.
Những nguyên nhân phát sinh rủi ro tín dụng
Rủi ro tín dụng thường xảy ra bởi những nguyên nhân sau:
Khách hàng vay vốn gặp những nguy cơ và tai nạn bất ngờ hoặc thua lỗ
trong kinh doanh nên không có tiền trả nợ dẫn đến nợ quá hạn.
Do tác động của tình hình kinh tế trong nước và thế giới.
Các vấn đề vì ham lợi nhuận, vi phạm nguyên tắc cho vay, phân tích đánh
giá khách hàng sai, quyết định cho vay thiếu thông tin xác thực.
Phân loại nhóm nợ
Ngân hàng thực hiện phân loại nợ như sau:
Nhóm 1 (nợ được đánh giá là đủ tiêu chuẩn):
Nợ còn trong hạn, chưa đến thời hạn thanh toán và được hệ thống ngân
hàng đánh giá là có đủ khả năng thu hồi đầy đủ cả gốc và lãi đúng hạn.
Các món nợ khác của Khách hàng cũng đều không bị quá hạn.
Nhóm 2 (nợ được đánh giá là cần chú ý):
Nợ đã quá hạn chưa quá 3 tháng.
Nợ đã được cơ cấu lại thời hạn trả nợ trong hạn.
15
Những khoản tín dụng được đánh giá là có khả năng thu hồi đầy đủ cả
gốc và lãi, nhưng có dấu hiệu khách hàng bị suy giảm khả năng trả nợ.
Nhóm 3 (nợ được đánh giá là dưới tiêu chuẩn):
Các khoản nợ quá hạn từ 3 tháng => đến 6 tháng.
Các khoản nợ đã được cơ cấu lại thời hạn trả nợ nhưng bị quá hạn trên 90
ngày.
Nợ được đánh giá là rủi ro có khả năng không thu hồi được đầy đủ cả gốc
và lãi khi đến hạn, và có khả năng tổn thất một phần nợ gốc và lãi.
Nhóm 4 (nợ nghi ngờ):
Các khoản nợ quá hạn từ 6 tháng => đến 1 năm.
Các khoản nợ được được cơ cấu lại thời hạn trả nợ nhưng bị quá hạn từ 90
đến 180 ngày.
Các khoản nợ bị đánh giá là có khả năng tổn thất cao.
Nhóm 5 (nợ có khả năng bị mất vốn):
Nợ quá hạn trên 1 năm.
Các khoản nợ khoanh phải chờ Chính Phủ xử lý.
Các khoản nợ được cơ cấu lại thời hạn trả nợ nhưng bị quá hạn trên 180
ngày.
Trên quan điểm phân hạng nợ Tốt/Xấu thì:
Nợ Tốt: là những khoản vay nằm trong Nhóm 1, 2
Nợ Xấu: là những khoản vay nằm trong Nhóm 3, 4, 5
Điều kiện vay vốn
Các khách hàng muốn được vay vốn phải có các điều kiện sau đây:
Có năng lực pháp luật dân sự, năng lực hành vi dân sự và chịu trách
nhiệm dân sự theo quy định của pháp luật
Có mục đích sử dụng vay vốn hợp pháp
Có khả năng tài chính đảm bảo trả nợ trong thời hạn cam kết
Có phương án sản xuất kinh doanh, dự án đầu tư, dịch vụ khả thi và có
hiệu quả.
16
Căn cứ xác định định mức cho vay
Nhu cầu vay vốn của khách hàng.
Mức vốn của khách hàng tham gia vào dự án, phương án kinh doanh, sản
xuất, dịch vụ, đời sống.
Tỷ lệ cho vay tối đa so với giá trị tài sản bảo đảm tiền vay theo quy định
về bảo đảm tiền vay của ngân hàng.
Khả năng hoàn trả nợ của khách hàng.
Khả năng nguồn vốn của mỗi ngân hàng và không được vượt quá định
mức cho vay được ủy quyền bởi tổng giám đốc Ngân hàng cho vay.
Đối tượng áp dụng
Ngân hàng cho vay các đối tượng sau:
Giá trị vật tư, máy móc, hàng hoá, thiết bị và các khoản chi phí để khách
hàng thực hiện các dự án sản xuất, kinh doanh dịch vụ...
Ngân hàng không cho vay các đối tượng sau:
Số tiền thuế phải nộp.
Số tiền để trả nợ gốc và lãi vay cho các tổ chức tín dụng khác.
Số tiền vay trả cho chính tổ chức tín dụng cho vay vốn.
Mô hình lượng hóa rủi ro tín dụng cho khách hàng cá nhân
Dưới đây là bảng tiêu chí cho mô hình chấm điểm tín dụng khách hàng cá nhân
của VietinBank.
Bảng 2: Chấm điểm tín dụng khách hàng cá nhân tại VietinBank
STT Các hạng mục xác định chất lượng tín dụng Điểm số
1 Nghề nghiệp của người vay
Chuyên gia hay phụ trách kinh doanh
Công nhân có kinh nghiệm (tay nghề cao)
Nhân viên văn phòng
Sinh viên
Công nhân không có kinh nghiệm
Công nhân bán thất nghiệp
10
8
7
5
4
2
2 Trạng thái nhà ở
17
STT Các hạng mục xác định chất lượng tín dụng Điểm số
Nhà riêng
Nhà thuê hay căn hộ
Sống cùng bạn hay người thân
6
4
2
3 Xếp hạng tín dụng
Tốt
Trung bình
Không có hồ sơ
Tồi
10
5
2
0
4 Kinh nghiệm nghề nghiệp
Nhiều hơn 1 năm 5
Từ 1 năm trở xuống
5
2
5 Thời gian cư trú tại điểm hiện tại
Nhiều hơn 1 năm
Từ 1 năm trở xuống
2
1
6 Điện thoại cố định
Có
Không
2
0
7 Số người sống phụ thuộc
Không
Một
Hai
Ba
Nhiều hơn ba
3
3
4
4
2
8 Các tài khoản tại ngân hàng
Tiết kiệm thẻ & Tài khoản tiết kiệm
Tài khoản tiết kiệm
Tiết kiệm thẻ
Không có
4
3
2
0
Khi cấp tín dụng cho khách hàng, ngân hàng thường căn cứ vào 3 chỉ tiêu là:
Nguồn trả nợ của khách
18
Tài sản thế chấp
Mục đích sử dụng vốn vay
Ba tiêu chí trên tác động chủ yếu đến điểm tín dụng của khách hàng. Căn cứ vào
kết quả điểm tín dụng, ngân hàng sẽ phân loại và cấp tín dụng cho khách
Tuy nhiên, ngay cả khi khách hàng trong trường hợp được đánh giá là loại tốt, 3
tiêu chí trên đều tốt, thì với việc ngân hàng cấp vốn vay, nguy cơ rủi ro là vẫn có
thể xảy ra.
Vì RRTD ảnh hưởng rất lớn đến sự phát triển của ngân hàng cũng như của nền
kinh tế nói chung nên việc dự đoán để phòng ngừa rủi ro đóng vai trò hết sức
quan trọng. Do đó, việc áp dụng các Kỹ thuật Khai phá dữ liệu cho bài toán
RRTD để tìm ra những nguồn tri thức mới, giúp cho các chuyên gia ngân hàng
đánh giá, phòng ngừa rủi ro là rất cần thiết.
2.2. Phát biểu bài toán
Hình 2.3.1: Phát biểu bài toán
Đầu vào:
Tập thông tin khách hàng và lịch sử trả nợ của các khách hàng bao gồm
o Tập huấn luyện (Training Set) nhằm mục đích xây dựng mô hình
o Tập kiểm thử (Testing Set) nhằm mục đích kiểm chứng mô hình
Tập thông tin khách hàng mới cần dự báo
Áp dụng mô hình
Dữ liệu trên
corebank
Dữ liệu
Huấn luyện
Dữ liệu
Kiểm thử
Kiểm thử mô hình Mô hình phân lớp
Xây dựng mô hình
Khách hàng
mới
Nợ Tốt Nợ Xấu
Dự đoán Phân loại nợ
19
Đầu ra:
Đưa ra mô hình phân lớp dự báo, các chỉ số đánh giá mô hình, các luật rút
ra từ mô hình giúp phân loại các khách hàng mới.
Ví dụ:
Đầu vào:
o Thông tin khách hàng về khách hàng vay vốn: Mục đích vay mua
nhà, có thu nhập trên 11 triệu, đang thuê nhà, làm tại công ty phần
mềm, chức vụ chuyên viên, thời gian đã công tác trong lĩnh vực
chuyên môn dưới 3 năm
Đầu ra:
o Dự báo khách hàng có khả năng rơi vào nhóm nợ cần chú ý (nhóm
2)
Mục tiêu của bài toán là xây dựng mô hình chứa các tập luật ràng buộc về dữ
liệu. Mô hình này sẽ là cơ sở tri thức, mà dựa vào đó có thể phân loại được
khách hàng mới dựa vao thông tin đầu vào của khách vay.
Việc dự báo chính xác sẽ giúp ngân hàng giảm thiểu các rủi ro có thể có từ các
khách hàng có khả năng không trả được nợ
2.3. Quy trình phân lớp xây dựng mô hình
Để có thể xây dựng được mô hình như yêu cầu bài toán ở mục 2.3 ta phải thực
hiện thứ tự theo các bước như sau [14]:
20
a. Xây dựng mô hình từ tập huấn luyện – Training data
Hình 2.4.1: Quy trình huấn luyện - training
Quá trình phân lớp thực hiện nhiệm vụ xây dựng mô hình các công cụ phân lớp
giúp cho việc gán nhãn phân loại cho các dữ liệu.
Example:
Nhãn “An toàn” hoặc “Rủi ro” cho các yêu cầu vay vốn; “Có” hoặc
“Không” cho các thông tin thị trường.
Các Nhãn dùng phân loại được biểu diễn bằng các giá trị rời rạc trong đó
việc sắp xếp trùng là không có ý nghĩa.
Phân lớp dữ liệu gồm hai quá trình.
Công cụ phân lớp sẽ được xây dựng để xem xét nguồn data. Đây là quá trình
học, qua đó một thuật toán phân lớp được xây dựng bằng cách phân tích từ
tập dữ liệu huấn luyện được xây dựng sẵn bao gồm nhiều bộ dữ liệu.
Một bộ dữ liệu X biểu diễn bằng một vector n chiều, X = (x1, x2, , xn),
đây là các giá trị cụ thể của một tập n thuộc tính của nguồn dữ liệu {A1, A2,
, An}. Mỗi bộ được giả sử rằng nó thuộc về một lớp được định nghĩa trước
với các nhãn xác định.
Classification algorithm
IF age=young THEN loan_decicion=risky
IF income=high THEN loan_decicion=safe
IF age=middle AND income=low THEN loan_decicion=risky
Chạy thuật toán
Xây dựng rules
Mô hình hóa
21
b. Đánh giá mô hình bằng tập kiểm kiểm thử - Data test
Hình 2.4.2: Quy trình test dữ liệu
c. Áp dụng mô hình để dự đoán dữ liệu mới
Hình 2.4.3: Quy trình áp dụng mô hình
2.4. Mô hình phân lớp dự báo rủi ro
Dựa trên quy trình phân lớp dữ liệu, ta có thể áp dụng mô hình sau vào bài toán
phân lớp rủi ro tín dụng
Tập huấn luyên
(Training Set)
Tập kiểm thử
(Testing Set)
Khách hàng mới
Đánh giá
Kết quả
dự báo
Mô hìnhThuật toán
phân lớp
Áp dụng
Mô hình
Các thuật toán áp dụng:
Cây quyết định C45, J48
Naïve Bayes Classifier
Thuật toán Apriori khai phá luật kết hợp
Hình 2.5.1: Mô hình phân lớp dự báo rủi ro
Để xây dựng được mô hình phân lớp dữ liệu ta cần 2 yếu tố
Bộ dữ liệu đầu vào (Tập huấn luyện & Tập kiểm thử)
IF age=young THEN loan_decicion=risky
IF income=high THEN loan_decicion=safe
IF age=middle AND income=low
THEN loan_decicion=risky
New data
risky
(Jonh henry, middle, low)
Loan_decicion?
Model tree
22
Thuật toán phân lớp
2.5. Lựa chọn nghiên cứu thuật toán
Dựa vào Ưu nhược điểm của các thuật toán đã được trình bày sơ lược ở chương
I (Mục 1.6 – Các thuật toán phân lớp)
Dựa vào tính chất dữ liệu của bài toán rủi ro tín dụng: các thuộc tính dữ liệu có
dải giá trị không nhiều, và theo nghiệp vụ Ngân hàng thì giải giá trị rời rạc này
thường được gom nhóm thành một tập hữu hạn. Ví dụ:
Tuổi của khách vay thì từ 28 – 65, nhưng thực tế thì sẽ được chia thành 5
nhóm tuổi Tín dụng để quản lý
Nơi cư trú: khách vay thì ở rất nhiều địa chỉ khác nhau, nhưng thực tế sẽ
được gom nhóm thành 1 tập hữu hạn các khu vực như: Khu vực Hà Nội 1,
Khu vực Hà Nội 2, Khu vực nông thôn v.v.
Tiền vay thì cũng nhận rất đa dạng các giá trị khác nhau từ 18 triệu – đến
trên 18 tỷ. Nhưng cũng lại được gom thành các nhóm giá trị vay: dưới
200 triệu, từ 200-700, từ 700-1 tỷ.
Tác giả nhận thấy có thuật toán (Phân lớp sử dụng cây quyết định, và Phân lớp
sử dụng thuật toán Navie Bayes) phù hợp với dữ liệu của bài toán quản lý Rủi ro
tín dụng. Vậy nên, trong khuôn khổ luận văn tác giả chọn đi sâu nghiên cứu 2
thuật toán này.
Phân lớp Cây quyết định
2.5.1.1. Thuật toán cây quyết định
Cây quyết định là một cấu trúc cây giống như sơ đồ trong đó một nút bên trong
đại diện cho tính năng (hoặc thuộc tính), nhánh đại diện cho một quy tắc quyết
định và mỗi nút lá đại diện cho kết quả. Nút trên cùng trong cây quyết định được
gọi là nút gốc. Nó học cách phân vùng trên cơ sở giá trị thuộc tính. Nó phân
vùng cây theo cách đệ quy gọi phân vùng đệ quy. Cấu trúc giống như sơ đồ này
giúp bạn trong việc ra quyết định. Nó trực quan giống như một sơ đồ sơ đồ dễ
dàng bắt chước tư duy cấp độ của con người. Đó là lý do tại sao cây quyết định
dễ hiểu và giải thích [10].
23
Hình 2.6.1: Cây quyết định
Cây quyết định là một loại hộp trắng của thuật toán Machine Learning (ML). Nó
chia sẻ logic ra quyết định nội bộ, vốn không có sẵn trong loại thuật toán hộp
đen như Mạng thần kinh. Thời gian đào tạo của nó nhanh hơn so với thuật toán
mạng thần kinh. Độ phức tạp thời gian của cây quyết định là một hàm của số
lượng bản ghi và số lượng thuộc tính trong dữ liệu đã cho. Cây quyết định là
một phương pháp không phân phối hoặc không tham số, không phụ thuộc vào
các giả định phân phối xác suất. Cây quyết định có thể xử lý dữ liệu chiều cao
với độ chính xác tốt.
2.5.1.2. Hoạt động của thuật toán Cây quyết định
Ý tưởng cơ bản về hoạt động của thuật toán cây quyết định như sau:
1. Chọn thuộc tính tốt nhất bằng cách sử dụng các biện pháp lựa chọn thuộc
tính (ASM – attribute selection measure) để phân chia các bản ghi.
2. Biến thuộc tính đó thành nút quyết định và chia tập dữ liệu thành các tập con
nhỏ hơn.
3. Bắt đầu xây dựng cây bằng cách lặp lại quy trình này một cách đệ quy cho
mỗi Node con cho đến khi một trong những điều kiện sẽ khớp:
Tất cả các bộ dữ liệu thuộc về cùng một giá trị thuộc tính.
Không còn thuộc tính nào nữa.
Không có nhiều trường hợp nữa.
24
Data
Data
Training
Data Test
Lựa chọn thuộc tính
tốt nhất dựa vào chỉ số
Gain, Gini
Tách dữ liệu thành các
tập nhỏ hơn theo thuộc
tính cha
Model tri thức
Biểu diễn mô hình
1. accuracy – độ chính xác
2. precision - dự đoán
3. recall – độ hồi tưởng
Lặp lại xử lý với node con
Hình 2.6.2: luồng hoạt động của cây quyết định
2.5.1.3. Các biện pháp lựa chọn thuộc tính
Biện pháp lựa chọn thuộc tính là một heuristic để chọn tiêu chí phân tách dữ liệu
phân vùng thành cách tốt nhất có thể. Nó còn được gọi là quy tắc chia tách vì nó
giúp chúng ta xác định các điểm dừng cho các bộ dữ liệu trên một nút nhất
định. ASM (attribute selection measure) cung cấp thứ hạng cho từng tính năng
(hoặc thuộc tính) bằng cách giải thích tập dữ liệu đã cho. Thuộc tính điểm tốt
nhất sẽ được chọn làm thuộc tính chia ( Nguồn ). Trong trường hợp thuộc tính
có giá trị liên tục, các điểm phân chia cho các nhánh cũng cần xác định. Các
biện pháp lựa chọn phổ biến nhất là Thông tin đạt được, Tỷ lệ tăng và Chỉ số
Gini.
2.5.1.4. Thông tin đạt được
Shannon đã phát minh ra khái niệm entropy, đo lường sự không tinh khiết của
bộ đầu vào. Trong vật lý và toán học, entropy được gọi là tính ngẫu nhiên hoặc
tạp chất trong hệ thống. Trong lý thuyết thông tin, nó đề cập đến tạp chất trong
một nhóm các ví dụ. Thông tin đạt được là sự giảm entropy. Độ lợi thông tin
tính toán sự khác biệt giữa entropy trước khi tách và entropy trung bình sau khi
tách bộ dữ liệu dựa trên các giá trị thuộc tính đã cho. Thuật toán cây quyết định
ID3 (Iterative Dichotomiser) sử dụng thông tin thu được.
𝐼𝑛𝑓𝑜(𝐷) = − ∑ 𝑃𝑖 log2 𝑃𝑖
𝑚
𝑖=1
Trong đó, Pi là xác suất mà một tuple tùy ý trong D thuộc về lớp Ci.
𝐼𝑛𝑓𝑜𝐴(𝐷) = ∑
|𝐷𝑗|
|𝐷|
𝑋 𝐼𝑛𝑓𝑜(𝐷𝑗)
𝑉
𝑗=1
𝐺𝑎𝑖𝑛(𝐴) = 𝐼𝑛𝑓𝑜(𝐷) − 𝐼𝑛𝑓𝑜𝐴(𝐷)
25
Ở đây:
Thông tin (D) là lượng thông tin trung bình cần thiết để xác định nhãn lớp
của một tuple trong D.
| Dj | / | D | đóng vai trò là trọng lượng của phân vùng thứ j.
InfoA (D) là thông tin dự kiến cần có để phân lớp một tuple từ D dựa trên
phân vùng của A.
Thuộc tính A có mức tăng thông tin cao nhất, Gain (A), được chọn làm
thuộc tính tách tại nút N ().
2.5.1.5. Tỷ lệ tăng
Thông tin đạt được là thiên vị cho thuộc tính với nhiều kết quả. Nó có nghĩa là
nó thích thuộc tính với một số lượng lớn các giá trị riêng biệt. Chẳng hạn, hãy
xem xét một thuộc tính có số nhận dạng duy nhất, chẳng hạn như customer_ID
không có thông tin (D) vì phân vùng thuần túy. Điều này tối đa hóa việc đạt
được thông tin và tạo phân vùng vô dụng.
C4.5, một cải tiến của ID3, sử dụng một phần mở rộng để đạt được thông tin
được gọi là tỷ lệ khuếch đại. Tỷ lệ khuếch đại xử lý vấn đề sai lệch bằng cách
bình thường hóa mức tăng thông tin bằng cách sử dụng Thông tin phân
tách. Việc triển khai Java của thuật toán C4.5 được gọi là J48, có sẵn trong công
cụ Khai phá dữ liệu WEKA.
𝑆𝑝𝑙𝑖𝑡𝐼𝑛𝑓𝑜𝐴(𝐷) = − ∑
|𝐷𝑗|
|𝐷|
𝑣
𝑗=1
𝑋 log2 (
|𝐷𝑗|
|𝐷|
)
Ở đây,
| Dj | / | D | đóng vai trò là trọng lượng của phân vùng thứ j.
v là số lượng giá trị rời rạc trong thuộc tính A.
Tỷ lệ khuếch đại có thể được định nghĩa là
𝐺𝑎𝑖𝑛𝑅𝑎𝑡𝑖𝑜(𝐴) =
𝐺𝑎𝑖𝑛(𝐴)
𝑆𝑝𝑙𝑖𝑡𝐼𝑛𝑓𝑜𝐴(𝐷)
Thuộc tính có tỷ lệ khuếch đại cao nhất được chọn làm nút gốc.
2.5.1.6. chỉ số Gini
Một thuật toán cây quyết định khác sử dụng phương thức Gini để tạo các điểm
phân chia.
26
𝐺𝑖𝑛𝑖(𝐷) = 1 − ∑ 𝑃𝑖2
𝑚
𝑖=1
Trong đó, pi là xác suất mà một tuple trong D thuộc về lớp Ci.
Chỉ số Gini xem xét phân chia nhị phân cho từng thuộc tính. Bạn có thể tính
tổng trọng số của tạp chất của từng phân vùng. Nếu phân chia nhị phân trên
thuộc tính A phân vùng dữ liệu D thành D1 và D2, chỉ số Gini của D là:
𝐺𝑖𝑛𝑖𝐴(𝐷) =
|𝐷1|
|𝐷|
𝐺𝑖𝑛𝑖(𝐷1) +
|𝐷2|
|𝐷|
𝐺𝑖𝑛𝑖(𝐷2)
Trong trường hợp thuộc tính có giá trị rời rạc, tập hợp con cung cấp chỉ số gini
tối thiểu cho lựa chọn đó được chọn làm thuộc tính tách. Trong trường hợp
thuộc tính có giá trị liên tục, chiến lược là chọn từng cặp giá trị liền kề làm điểm
phân tách và điểm có thể có chỉ số gini nhỏ hơn được chọn làm điểm phân tách.
𝐺𝑖𝑛𝑖(𝐴) = 𝐺𝑖𝑛𝑖(𝐷) − 𝐺𝑖𝑛𝑖𝐴(𝐷)
Thuộc tính có chỉ số Gini tối thiểu được chọn làm thuộc tính tách.
Phân lớp Naive Bayes
2.5.2.1. Quy trình phân lớp
Bất cứ khi nào bạn thực hiện phân lớp, bước đầu tiên là hiểu vấn đề và xác định
các tính năng và nhãn tiềm năng. Các tính năng là những đặc điểm hoặc thuộc
tính ảnh hưởng đến kết quả của nhãn. Ví dụ: trong trường hợp phân phối cho
vay, quản lý ngân hàng xác định nghề nghiệp, thu nhập, tuổi tác, địa điểm, lịch
sử cho vay trước đây, lịch sử giao dịch và điểm tín dụng. Những đặc điểm này
được gọi là các tính năng giúp mô hình phân loại khách hàng.
Việc phân lớp có hai giai đoạn, giai đoạn học tập và giai đoạn
Các file đính kèm theo tài liệu này:
- luan_van_khai_thac_va_phan_tich_du_lieu_nham_quan_ly_rui_ro.pdf