Assessing ability of customers in loan repayment by classification methods

Vo Van Tai * , Nghiem Quang Thuong and Nguyen Thi Hong Dan

* Corresponding author (vvtai@ctu.edu.vn)

Article Sidebar

Full Text: PDF

Received: 06 Jul 2016
Accepted: 28 Apr 2017
Published: 28 Apr 2017
Title: Assessing ability of customers in loan repayment by classification methods
DOI: 10.22144/ctu.jvn.2017.015
Views
301
Downloads
166
Crossref
Scopus
Google Scholar
Europe PMC
How to Cite
Tài, V. V., Thường, N. Q., & Dân, N. T. H. (2017). Assessing ability of customers in loan repayment by classification methods. CTU Journal of Science, (49), 110-117. https://doi.org/10.22144/ctu.jvn.2017.015
Issue
No. 49 (2017)
Section
Natural Sciences

Abstract

This article presents the classification methods and calculable problems in their real application. The article also proposes an algorithm to determine the prior probability in classifying by Bayesian method that is better than existing ones. The application from real data in appraising ability to repay loans of customers is performed by all methods to illustrate for theories and to examine logic of the establishsed algorithm. This application also shows that the proposed approach is more advantage than others and it can be applied for many other domains.
Keywords: Bank, Bayesian method, classification, mistake, prior probability

Tóm tắt

Bài báo trình bày các phương pháp phân loại và những vấn đề tính toán trong áp dụng thực tế của chúng. Bài báo cũng đề nghị một thuật toán xác định xác suất tiên nghiệm trong phân loại bằng phương pháp Bayes tốt hơn các phương pháp khác. Ứng dụng từ số liệu thực tế trong đánh giá khả năng trả nợ vay của khách hàng được thực hiện bằng tất cả các phương pháp để minh họa cho lý thuyết và kiểm tra sự hợp lý của thuật toán được thiết lập. Ứng dụng này cũng cho thấy phương pháp đề nghị có ưu điểm hơn các phương pháp khác và có thể được áp dụng cho nhiều lĩnh vực khác nhau.
Từ khóa: Ngân hàng, phương pháp Bayes, phân loại, sai lầm, xác suất tiên nghiệm

Article Details

References

Bora, D. J. and Gupta, A. K., 2014. Impact of exponent parameter value for the partition matrix on the performance of fuzzy C means algorithm. ArXiv preprint arXiv. 3(3): 1953-1967.

Inman, H. F. and Bradley, E. L., 1989. The overlapping coefficient as a measure of agreement between probability distributions and point estimation of the overlap of two normal densities. Communications in Statistics -Theory Methods. 18(10): 3851-3871.

Hall L. O., Bensaid A.M., Clarke, L.P. and Velthuizen, R.P., 1992. A comparison of neural network and fuzzy clustering techniques in segmenting magnetic resonance images of the brain. IEEE Transactions. 3(5): 672-682.

Miller, G., Inkret, W.C., Little, T.T., Martz, H.F., and Schillaci, M.E., 2011. Bayesian prior probability distributions for internal dosimetry Radiation Protection Dosimetry. 94(4): 347-352.

Pham–Gia, T., Turkkan, N. and Tai, Vovan., 2008. The maximum function in statistical discrimination analysis. Commun. in Stat–Simulation computation. 37(2): 320-336.

Scott, D. W., 1992. Mutivariate density estimation: Theory, practice and visualization. Wiley & Son, New York, 345 pages.

Tai, V.V., 2016. L1-distance and classification problem by Bayesian. J. Appl. Stat (online first: http://dx.doi.org/10.1080/02664763.2016.1174194).

Thao, N.T., Tai, V.V., 2016. A new approach for determining the prior probabilities in the classification problem by Bayesian method, Adv. Data Anal. Classif. (online first: http://link.springer.com/article/10.1007/s11634-016-0253).

Webb, A., 2000. Statistical pattern recognition. Wiley & Sons, New York, 645 pages.

Yu, J., Qiansheng, C. and Houkuan, H., 2004. Analysis of the weighting exponent in the FCM. IEEE Transactions on Cybernetics. 34(1): 634-639.