การพัฒนาแบบจำลองการพิจารณาการอนุมัติสินเชื่อโดยใช้เทคนิคการวิเคราะห์องค์ประกอบร่วมกับการเรียนรู้ด้วยเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้ได้นำเสนอแบบจำลองและทดสอบประสิทธิภาพของแบบจำลองการอนุมัติสินเชื่อในอุตสาหกรรมการเงิน โดยใช้เทคนิคการวิเคราะห์องค์ประกอบร่วมกับการเรียนรู้ด้วยเครื่อง ทดสอบกับอัลกอริทึม 4 วิธี ได้แก่ นาอีฟเบย์ (Naïve Bayes) ต้นไม้การตัดสินใจ (Decision Tree) แรนดอมฟอร์เรส (Random Forest) และซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine) โดยทดสอบกับชุดข้อมูลการปล่อยกู้จำนวน 441,335 ตัวอย่าง ทดสอบประสิทธิภาพของแบบจำลองด้วยค่าความถูกต้อง (Accuracy) ค่าความแม่นยำ (Precision) ค่าความครบถ้วน (Recall) และค่าการวัดประสิทธิภาพโดยรวม (F-Measure)
จากการทดลองพบว่าแบบจำลองแรนดอมฟอร์เรส ให้ประสิทธิภาพค่าความถูกต้องดีที่สุดคือร้อยละ 92.90 รองลงมาเป็น ซัพพอร์ตเวกเตอร์แมชชีน และต้นไม้การตัดสินใจ คือร้อยละ 87.00 และนาอีฟเบย์ คือร้อยละ 83.40 ตามลำดับ ซึ่งพบว่าการลดมิติของข้อมูลส่งผลให้ประสิทธิภาพของแบบจำลองดีขึ้นเนื่องจากตัดคุณลักษณะที่ไม่มีนัยสำคัญทิ้งไป และสามารถแก้ไขปัญหาของแบบจำลองการอนุมัติสินเชื่อแบบเดิมที่พิจารณาจากตัวแปรคุณลักษณะแบบเก่า โดยแบบจำลองได้พัฒนาประสิทธิภาพให้ดีขึ้นจากการพิจารณาตัวแปรคุณลักษณะแบบใหม่ ผลของค่าความครบถ้วน (Recall) และค่าการวัดประสิทธิภาพโดยรวม (F-Measure) จากการทดลองพบว่า แบบจำลองแรนดอมฟอร์เรส ให้ประสิทธิภาพดีที่สุด เช่นเดียวกันกับ ค่าความถูกต้อง (Accuracy) คือร้อยละ 99.64 และ 99.35 ตามลำดับ และค่าความแม่นยำ (Precision) มีค่าสูงสุด คือ แบบจำลองแรนดอมฟอร์เรส และต้นไม้การตัดสินใจ เท่ากันที่ร้อยละ 99.07
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
นโยบายการรับบทความ
กองบรรณาธิการวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น มีความยินดีรับบทความจากอาจารย์ประจำ และผู้ทรงคุณวุฒิในสาขาวิศวกรรมศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่นที่นำส่ง ดังนั้นผู้สนใจที่จะร่วมเผยแพร่ผลงานและความรู้ที่ศึกษามาสามารถนำส่งบทความได้ที่กองบรรณาธิการเพื่อเสนอต่อคณะกรรมการกลั่นกรองบทความพิจารณาจัดพิมพ์ในวารสารต่อไป ทั้งนี้บทความที่สามารถเผยแพร่ได้ประกอบด้วยบทความวิจัย ผู้สนใจสามารถศึกษาและจัดเตรียมบทความจากคำแนะนำสำหรับผู้เขียนบทความ
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏภายในบทความของแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็น ความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับสถาบันเทคโนโลยีไทย-ญี่ปุ่น และคณาจารย์ท่านอื่น ๆ ในสถาบัน แต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา ทัศนะ หรือข้อคิดเห็นใด ๆ ของบทความในวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น ไปเผยแพร่ก่อนได้รับอนุญาตจากผู้นิพนธ์ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
ผู้ประสงค์จะส่งบทความเพื่อตีพิมพ์ในวารสารวิชาการ สถาบันเทคโนโลยีไทย-ญี่ปุ่น สามารถส่ง Online ที่ https://www.tci-thaijo.org/index.php/TNIJournal/ โปรดสมัครสมาชิก (Register) โดยกรอกรายละเอียดให้ครบถ้วนหากต้องการสอบถามข้อมูลเพิ่มเติมที่
- กองบรรณาธิการ วารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
- ฝ่ายวิจัยและนวัตกรรม สถาบันเทคโนโลยีไทย-ญี่ปุ่น
เลขที่ 1771/1 สถาบันเทคโนโลยีไทย-ญี่ปุ่น ซอยพัฒนาการ 37-39 ถนนพัฒนาการ แขวงสวนหลวง เขตสวนหลวง กรุงเทพมหานคร 10250 ติดต่อกับคุณพิมพ์รต พิพัฒนกุล (02) 763-2752 , คุณจุฑามาศ ประสพสันติ์ (02) 763-2600 Ext. 2402 Fax. (02) 763-2754 หรือ E-mail: JEDT@tni.ac.th
เอกสารอ้างอิง
Committee for the Protection of Credit Information. “Basic Information about Credit Scoring.” (in Thai), CREDITINFOCOMMITTEE.or.th. https://www.creditinfocommittee.or.th/Public/BasicIntormation (accessed Mar. 1, 2023).
Supervision Group, Bank of Thailand. “Credit scoring, things that need to be preserved.” (in Thai), BOT.or.th. https://www.bot.or.th/th/research-and-publications/articles-and-publications/articles/Article_22Jan201.html (accessed Mar. 1, 2023).
P. Moeynoi. “Dimensionality Reduction.” (in Thai), MEDIUM.com. https://medium.com/@doohpim/02-การลดมิติข้อมูล-dimensionality-reduction-a5df2adb4f92 (accessed Sep. 7, 2022).
S. Teerawittayakul, “Ransomware detection study using machine learning techniques from a sample attack dataset,” (in Thai), Dept. Data Commun. Netw., King Mongkut's Univ. Technol. North Bangkok, Bangkok, Thailand, 2019.
PradyaSin. “What is Random Forest.” (in Thai), MEDIUM.com. https://medium.com/@pradyasin/random-forest-คืออะไร-74d2a0af3d7 (accessed Sep. 7, 2022).
B. Pasilatesang, Build Learning for AI with Python Machine Learning. Bangkok, Thailand: SE-EDUCATION (in Thai), 2021.
C. Ambi. “Difference Between Normalization and Standar-dization.” TOWARDSAI.net. https://pub.towardsai.net/difference-between-normalization-and-standardization-745030eaf96f (accessed Sep. 7, 2022).
E. Pacharawongsakda, Practical Data Science with RapidMiner Studio 1. Nonthaburi, Thailand: IDC Premier (in Thai), 2022.
Lending Club Loan Data: Complete loan data for all loans issued through the 2007-2015, including status, LendingClub 2007-2015, 2021. [Online]. Available: https://www.kaggle.com/datasets/adarshsng/lending-club-loan-data-csv
N. Promrita and S. Waijanya, Fundamental of DEEP LEARNING in Practice. Nonthaburi, Thailand: IDC Premier (in Thai), 2021.
T. Kaewsri. “Feature Engineering.” (in Thai), MEDIUM.com. https://grimreaperjunior.medium.com/สกัดข้อมูลให้ตรงใจด้วยการทำ-feature-engineering-bcdba80124bc (accessed Sep. 7, 2022).
S. Tidta and T. Kangkachit, “Automated system for employee welfare loan approval through machine learning techniques,” (in Thai), DPU Graduate Studies J., vol. 10, no. 2, pp. 93–107, 2022. [Online]. Available: https://grad.dpu.ac.th/upload/content/files/year10-2/10-7.pdf
B. Chitambira, “Credit scoring using machine learning approaches,” M.S. thesis, Division Math. Phys., Malardalen Univ., Vasteras, Sweden, Jun. 2022. [Online]. Available: https://www.diva-portal.org/smash/get/diva2:1664698/FULLTEXT01.pdf
C. Muangthanang, S. Mungsing, and N. Chirawichitchai, “Development of a credit scoring model using data mining techniques,” (in Thai), Huachiew Chalermprakiet Sci, Technol. J., vol. 7, no. 1, pp. 82–93, 2021.
R. Bai, H. Mo, and H. Li, “A comparison of credit rating classification models based on spark-evidence from lending-club,” Procedia Comput. Sci., vol. 162, pp. 811–818, 2019.
