KCI등재
불균형 데이터 환경에서 가계부채 상환연체 분류를 위한 머신러닝의 활용 = Machine Learning Applications to Households Insolvency with Imbalanced Data
저자
발행기관
학술지명
권호사항
발행연도
2019
작성언어
-주제어
등재정보
KCI등재
자료형태
학술저널
수록면
97-118(22쪽)
KCI 피인용횟수
0
DOI식별코드
제공처
본 연구는 머신러닝(Machine Learning)의 분류모형을 통해 가계부채 상환연체 가능성이 높은 가계를 탐지하고자 하였다. 머신러닝의 예측 모형 중에서 분류모형으로 많이 사용되는 모형으로 이항 로지스틱 회귀분석모형(Binary Logistic Regression Model)과 의사결정나무모형(Decision Tree Model)을 이용하였다. 통계청의 2018년 「가계금융·복지조사」를 활용한 기술통계분석 결과 가계부채 상환연체를 경험한 가계의 비율은 조사대상자의 약 11.1%에 해당하였다. 분류문제에서 특정 범주의 빈도가 다른 범주에 비해 과도하게 높은 데이터불균형 상황에서는 머신러닝 알고리즘의 성능이 저하될 수 있다. 이러한 데이터불균형 문제를 해소하기 위하여 오버 샘플링(Over-sampling)및 다운 샘플링(Down-sampling) 방법을 적용하고, 분류모형의 성능을 개선하고자 하였다. 다양한 분류기법들을 활용하여 도출된 대안적인 모형들의 적합도를 검증한 결과 오버샘플링을 적용한 분류모형의 민감도(Sensitivity)가 향상된 것으로 나타났다. 또한 예측 및 분류도구로서의 유용성을 판단해보면 민감도가 높으며, ROC곡선 분석 결과가 더 높게 나타난 이항 로지스틱 회석분석모형이 차입가계의 부채상환 연체 모형을 구축하는데 보다 유용한 것으로 나타났다.
더보기This study aims to detect households at high risk of insolvency using The Survey of Household Finances and Living Conditions in 2018. For that purpose, this study uses two machine learning classifiers, Logistic Regression and Decision Tree model for binary classification. As a result of the descriptive statistics, the proportion of the household which fall behind on their debt payment, which can be regarded as households with a high risk of insolvency, accounted for about 11%. It is well known that when the proportion of one class in a dataset is dominant, the prediction performance of classifiers become problematic. It causes the machine learning classifiers to be more biased toward dominant classes. In order to address the degree of imbalance of two classes in data sets, several sampling methods were considered. This study found that Over-sampling techniques achieve in better prediction performance with a higher sensitivity. Based upon the sensitivity and ROC curve of the two techniques, the logistic regression model performed better than the decision tree model.
더보기분석정보
연월일 | 이력구분 | 이력상세 | 등재구분 |
---|---|---|---|
2026 | 평가예정 | 재인증평가 신청대상 (재인증) | |
2020-01-01 | 평가 | 등재학술지 유지 (재인증) | KCI등재 |
2017-01-01 | 평가 | 등재학술지 유지 (계속평가) | KCI등재 |
2013-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2010-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2008-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2006-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2004-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2001-07-01 | 평가 | 등재학술지 선정 (등재후보2차) | KCI등재 |
1999-01-01 | 평가 | 등재후보학술지 선정 (신규평가) | KCI후보 |
기준연도 | WOS-KCI 통합IF(2년) | KCIF(2년) | KCIF(3년) |
---|---|---|---|
2016 | 1.48 | 1.48 | 1.67 |
KCIF(4년) | KCIF(5년) | 중심성지수(3년) | 즉시성지수 |
1.7 | 1.88 | 2.351 | 0.15 |
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)