1 |
1
신용도를 평가하기 위한 방법에 있어서,(a) 신용평가모형 생성장치는, 신용도를 평가하기 위하여 트레이닝 데이터를 사용하여 t 번 학습하여 우불량 예측에 대한 예측력이 높은 순서대로 t 개의 의사결정나무를 생성하고, 상기 t 개의 의사결정나무 각각에 대한 우불량 예측값을 구하되, 상기 신용도를 평가하기 위한 복수의 변수를 고려하여, (i) 상기 우불량 예측값을 구하고, (ii) 상기 구해진 우불량 예측값별로 해당 우불량 예측값의 도출에 가장 큰 영향을 미친 변수를 매칭하여 상기 의사결정나무를 생성함으로써, 1차 모형을 모델링하는 단계; 및(b) 상기 t 개의 의사결정나무를 상기 우불량 예측에 대한 예측력이 높은 순서대로 "제1 의사결정나무", "제2 의사결정나무", …, "제t 의사결정나무"라고 할 경우, 상기 신용평가모형 생성장치는, 테스트 데이터를 이용한 "제1 의사결정나무"부터 "제k 의사결정나무"(k는 1 이상 t 이하의 정수)까지의 누적된 변별력 지표가 가장 큰 상태일 때, 상기 1차 모형에 포함된 상기 t 개의 의사결정나무 중 상기 "제1 의사결정나무"부터 상기 "제k 의사결정나무"까지의 k 개의 의사결정나무를 포함하는 최적 모형을 모델링하는 단계;를 포함하되,상기 신용평가 모형 생성장치는, 상기 복수의 변수를 고려한 상기 우불량 예측값의 방향의 상관성에 따라 상기 복수의 변수 각각에 대한 속성으로서 모노톤 제어 데이터를 더 관리하는 것을 특징으로 하는 방법
|
2 |
2
제1항에 있어서,(c) 상기 신용평가모형 생성장치는, 상기 최적 모형의 k 개의 의사결정나무 중, 동일한 변수에 대응하는 의사결정나무를 그룹핑하며, 상기 그룹핑된 동일 변수에서의 각각의 의사결정나무의 노드값을 구간의 경계값으로 하며 각각의 구간에 대한 우불량 예측값의 합으로 범주화를 함으로써 상기 최적 모형을 신용평가모형으로 변환하는 단계;를 더 포함하는 것을 특징으로 하는 방법
|
3 |
3
신용도를 평가하기 위한 방법에 있어서,(a) 신용평가모형 생성장치는, 신용도를 평가하기 위하여 트레이닝 데이터를 사용하여 t 번 학습하여 우불량 예측에 대한 예측력이 높은 순서대로 t 개의 의사결정나무를 생성하고, 상기 t 개의 의사결정나무 각각에 대한 우불량 예측값을 구하되, 상기 신용도를 평가하기 위한 복수의 변수를 고려하여, (i) 상기 우불량 예측값을 구하고, (ii) 상기 구해진 우불량 예측값별로 해당 우불량 예측값의 도출에 가장 큰 영향을 미친 변수를 매칭하여 상기 의사결정나무를 생성함으로써, 1차 모형을 모델링하는 단계;(b) 상기 t 개의 의사결정나무를 상기 우불량 예측에 대한 예측력이 높은 순서대로 "제1 의사결정나무", "제2 의사결정나무", …, "제t 의사결정나무"라고 할 경우, 상기 신용평가모형 생성장치는, 테스트 데이터를 이용한 "제1 의사결정나무"부터 "제k 의사결정나무"(k는 1 이상 t 이하의 정수)까지의 누적된 변별력 지표가 가장 큰 상태일 때, 상기 1차 모형에 포함된 상기 t 개의 의사결정나무 중 상기 "제1 의사결정나무"부터 상기 "제k 의사결정나무"까지의 k 개의 의사결정나무를 포함하는 최적 모형을 모델링하는 단계; 및(c) 상기 신용평가모형 생성장치는, 상기 최적 모형의 k 개의 의사결정나무 중, 동일한 변수에 대응하는 의사결정나무를 그룹핑하며, 상기 그룹핑된 동일 변수에서의 각각의 의사결정나무의 노드값을 구간의 경계값으로 하며 각각의 구간에 대한 우불량 예측값의 합으로 범주화를 함으로써 상기 최적 모형을 신용평가모형으로 변환하는 단계;를 포함하되,상기 그룹핑된 변수들 중 어느 하나의 변수(hm)에 대한 노드값이 n 개 이며, 각각의 노드값을 R(hm1), R(hm2), …, R(hmn) - R(hm1) ≤ R(hm2) ≤ … ≤ R(hmn) - 이라 하며, 상기 변수(hm)에 대응하는 각각의 의사결정나무의 좌측가지의 우불량 예측값을 y_L(hm1), y_L(hm2), …, y_L(hmn), 우측가지의 우불량 예측값을 y_R(hm1), y_R(hm2), …, y_R(hmn) 이라 할 경우, 상기 변수에 대한 범주화는 다음의 표와 같이 이루어지는 것을 특징으로 하되, 상기 m, n 은 1이상 k 미만의 정수인 것을 특징으로 하는 방법
|
4 |
4
제2항에 있어서,(d) 상기 신용평가모형 생성장치는, 상기 신용평가모형에서의 우불량 예측값의 합을 신용평가를 위한 점수에 대응하는 스케일로 변환하여 스코어카드를 생성하는 단계;를 더 포함하는 것을 특징으로 하는 방법
|
5 |
5
신용도를 평가하기 위한 방법에 있어서,(a) 신용평가모형 생성장치는, 신용도를 평가하기 위하여 트레이닝 데이터를 사용하여 t 번 학습하여 우불량 예측에 대한 예측력이 높은 순서대로 t 개의 의사결정나무를 생성하고, 상기 t 개의 의사결정나무 각각에 대한 우불량 예측값을 구하되, 상기 신용도를 평가하기 위한 복수의 변수를 고려하여, (i) 상기 우불량 예측값을 구하고, (ii) 상기 구해진 우불량 예측값별로 해당 우불량 예측값의 도출에 가장 큰 영향을 미친 변수를 매칭하여 상기 의사결정나무를 생성함으로써, 1차 모형을 모델링하는 단계;(b) 상기 t 개의 의사결정나무를 상기 우불량 예측에 대한 예측력이 높은 순서대로 "제1 의사결정나무", "제2 의사결정나무", …, "제t 의사결정나무"라고 할 경우, 상기 신용평가모형 생성장치는, 테스트 데이터를 이용한 "제1 의사결정나무"부터 "제k 의사결정나무"(k는 1 이상 t 이하의 정수)까지의 누적된 변별력 지표가 가장 큰 상태일 때, 상기 1차 모형에 포함된 상기 t 개의 의사결정나무 중 상기 "제1 의사결정나무"부터 상기 "제k 의사결정나무"까지의 k 개의 의사결정나무를 포함하는 최적 모형을 모델링하는 단계;(c) 상기 신용평가모형 생성장치는, 상기 최적 모형의 k 개의 의사결정나무 중, 동일한 변수에 대응하는 의사결정나무를 그룹핑하며, 상기 그룹핑된 동일 변수에서의 각각의 의사결정나무의 노드값을 구간의 경계값으로 하며 각각의 구간에 대한 우불량 예측값의 합으로 범주화를 함으로써 상기 최적 모형을 신용평가모형으로 변환하는 단계; 및(d) 상기 신용평가모형 생성장치는, 상기 신용평가모형에서의 우불량 예측값의 합을 신용평가를 위한 점수에 대응하는 스케일로 변환하여 스코어카드를 생성하는 단계;를 포함하되,상기 스코어카드는 PDO와 BASE를 반영하여 생성하는 것을 특징으로 하는 방법
|
6 |
6
제4항에 있어서,(e) 상기 생성된 스코어카드를 참조로 하여, 신용도를 평가하는 단계;를 더 포함하는 것을 특징으로 하는 방법
|
7 |
7
삭제
|
8 |
8
신용도를 평가하기 위한 방법에 있어서,(a) 신용평가모형 생성장치는, 신용도를 평가하기 위하여 트레이닝 데이터를 사용하여 t 번 학습하여 우불량 예측에 대한 예측력이 높은 순서대로 t 개의 의사결정나무를 생성하고, 상기 t 개의 의사결정나무 각각에 대한 우불량 예측값을 구하되, 상기 신용도를 평가하기 위한 복수의 변수를 고려하여, (i) 상기 우불량 예측값을 구하고, (ii) 상기 구해진 우불량 예측값별로 해당 우불량 예측값의 도출에 가장 큰 영향을 미친 변수를 매칭하여 상기 의사결정나무를 생성함으로써, 1차 모형을 모델링하는 단계; 및(b) 상기 t 개의 의사결정나무를 상기 우불량 예측에 대한 예측력이 높은 순서대로 "제1 의사결정나무", "제2 의사결정나무", …, "제t 의사결정나무"라고 할 경우, 상기 신용평가모형 생성장치는, 테스트 데이터를 이용한 "제1 의사결정나무"부터 "제k 의사결정나무"(k는 1 이상 t 이하의 정수)까지의 누적된 변별력 지표가 가장 큰 상태일 때, 상기 1차 모형에 포함된 상기 t 개의 의사결정나무 중 상기 "제1 의사결정나무"부터 상기 "제k 의사결정나무"까지의 k 개의 의사결정나무를 포함하는 최적 모형을 모델링하는 단계;를 포함하되,상기 1차 모형에 포함된 의사결정나무 및 상기 최적 모형에 포함된 의사결정나무는 depth 가 1 인 것을 특징으로 하는 방법
|
9 |
9
제8항에 있어서,상기 1차 모형은 상기 t 개의 의사결정나무의 선형결합으로 이루어지고, 상기 최적 모형은 상기 k 개의 의사결정나무의 선형결합으로 이루어지는 것을 특징으로 하는 방법
|
10 |
10
제1항에 있어서,상기 (b) 단계에서,상기 변별력 지표는, AUROC, K-S, AR 및 IV 방법 중 어느 하나의 방법에 의해 확인하는 것을 특징으로 하는 방법
|
11 |
11
신용도를 평가하기 위한 장치에 있어서,메모리; 및(1) 신용도를 평가하기 위하여 상기 메모리에 저장된 트레이닝 데이터를 사용하여 t 번 학습하여 우불량 예측에 대한 예측력이 높은 순서대로 t 개의 의사결정나무를 생성하고, 상기 t 개의 의사결정나무 각각에 대한 우불량 예측값을 구하되, 상기 신용도를 평가하기 위한 복수의 변수를 고려하여, (i) 상기 우불량 예측값을 구하고, (ii) 상기 구해진 우불량 예측값별로 해당 우불량 예측값의 도출에 가장 큰 영향을 미친 변수를 매칭하여 상기 의사결정나무를 생성함으로써 1차 모형을 모델링하며, (2) 상기 t개의 의사결정나무를 상기 우불량 예측에 대한 예측력이 높은 순서대로 "제1 의사결정나무", "제2 의사결정나무", …, "제t 의사결정나무"라고 할 경우, 상기 메모리에 저장된 테스트 데이터를 이용한 "제1 의사결정나무"부터 "제k 의사결정나무"(k는 1 이상 t 이하의 정수)까지의 누적된 변별력 지표가 가장 큰 상태일 때, 상기 1차 모형에 포함된 상기 t 개의 의사결정나무 중 상기 "제1 의사결정나무"부터 상기 "제k 의사결정나무"까지의 k 개의 의사결정나무를 포함하는 최적 모형을 모델링하는 프로세서;를 포함하되,상기 프로세서는,상기 복수의 변수를 고려한 상기 우불량 예측값의 방향의 상관성에 따라 상기 복수의 변수 각각에 대한 속성으로서 모노톤 제어 데이터를 더 관리하는 것을 특징으로 하는 장치
|
12 |
12
제11항에 있어서,상기 프로세서는,상기 최적 모형의 k 개의 의사결정나무 중, 동일한 변수에 대응하는 의사결정나무를 그룹핑하며, 상기 그룹핑된 동일 변수에서의 각각의 의사결정나무의 노드값을 구간의 경계값으로 하며 각각의 구간에 대한 우불량 예측값의 합으로 범주화를 함으로써 상기 최적 모형을 신용평가모형으로 변환하는 것을 특징으로 하는 장치
|
13 |
13
신용도를 평가하기 위한 장치에 있어서,메모리; 및(1) 신용도를 평가하기 위하여 상기 메모리에 저장된 트레이닝 데이터를 사용하여 t 번 학습하여 우불량 예측에 대한 예측력이 높은 순서대로 t 개의 의사결정나무를 생성하고, 상기 t 개의 의사결정나무 각각에 대한 우불량 예측값을 구하되, 상기 신용도를 평가하기 위한 복수의 변수를 고려하여, (i) 상기 우불량 예측값을 구하고, (ii) 상기 구해진 우불량 예측값별로 해당 우불량 예측값의 도출에 가장 큰 영향을 미친 변수를 매칭하여 상기 의사결정나무를 생성함으로써 1차 모형을 모델링하며, (2) 상기 t개의 의사결정나무를 상기 우불량 예측에 대한 예측력이 높은 순서대로 "제1 의사결정나무", "제2 의사결정나무", …, "제t 의사결정나무"라고 할 경우, 상기 메모리에 저장된 테스트 데이터를 이용한 "제1 의사결정나무"부터 "제k 의사결정나무"(k는 1 이상 t 이하의 정수)까지의 누적된 변별력 지표가 가장 큰 상태일 때, 상기 1차 모형에 포함된 상기 t 개의 의사결정나무 중 상기 "제1 의사결정나무"부터 상기 "제k 의사결정나무"까지의 k 개의 의사결정나무를 포함하는 최적 모형을 모델링하는 프로세서;를 포함하되,상기 프로세서는,상기 최적 모형의 k 개의 의사결정나무 중, 동일한 변수에 대응하는 의사결정나무를 그룹핑하며, 상기 그룹핑된 동일 변수에서의 각각의 의사결정나무의 노드값을 구간의 경계값으로 하며 각각의 구간에 대한 우불량 예측값의 합으로 범주화를 함으로써 상기 최적 모형을 신용평가모형으로 변환하며,상기 그룹핑된 변수들 중 어느 하나의 변수(hm)에 대한 노드값이 n 개 이며, 각각의 노드값을 R(hm1), R(hm2), …, R(hmn)이라 하며, 상기 변수(hm)에 대응하는 각각의 의사결정나무의 좌측가지의 우불량 예측값을 y_L(hm1), y_L(hm2), …, y_L(hmn), 우측가지의 우불량 예측값을 y_R(hm1), y_R(hm2), …, y_R(hmn) 이라 할 경우, 상기 변수에 대한 범주화는 다음의 표와 같이 이루어지되, 상기 m, n 은 1 이상 k 미만의 정수인 것을 특징으로 하는 장치
|
14 |
14
제12항에 있어서,상기 프로세서는,상기 신용평가모형에서의 우불량 예측값의 합을 신용평가를 위한 점수에 대응하는 스케일로 변환하여 스코어카드를 생성하는 것을 특징으로 하는 장치
|
15 |
15
신용도를 평가하기 위한 장치에 있어서,메모리; 및(1) 신용도를 평가하기 위하여 상기 메모리에 저장된 트레이닝 데이터를 사용하여 t 번 학습하여 우불량 예측에 대한 예측력이 높은 순서대로 t 개의 의사결정나무를 생성하고, 상기 t 개의 의사결정나무 각각에 대한 우불량 예측값을 구하되, 상기 신용도를 평가하기 위한 복수의 변수를 고려하여, (i) 상기 우불량 예측값을 구하고, (ii) 상기 구해진 우불량 예측값별로 해당 우불량 예측값의 도출에 가장 큰 영향을 미친 변수를 매칭하여 상기 의사결정나무를 생성함으로써 1차 모형을 모델링하며, (2) 상기 t개의 의사결정나무를 상기 우불량 예측에 대한 예측력이 높은 순서대로 "제1 의사결정나무", "제2 의사결정나무", …, "제t 의사결정나무"라고 할 경우, 상기 메모리에 저장된 테스트 데이터를 이용한 "제1 의사결정나무"부터 "제k 의사결정나무"(k는 1 이상 t 이하의 정수)까지의 누적된 변별력 지표가 가장 큰 상태일 때, 상기 1차 모형에 포함된 상기 t 개의 의사결정나무 중 상기 "제1 의사결정나무"부터 상기 "제k 의사결정나무"까지의 k 개의 의사결정나무를 포함하는 최적 모형을 모델링하는 프로세서;를 포함하며,상기 프로세서는,상기 최적 모형의 k 개의 의사결정나무 중, 동일한 변수에 대응하는 의사결정나무를 그룹핑하며, 상기 그룹핑된 동일 변수에서의 각각의 의사결정나무의 노드값을 구간의 경계값으로 하며 각각의 구간에 대한 우불량 예측값의 합으로 범주화를 함으로써 상기 최적 모형을 신용평가모형으로 변환하며,상기 신용평가모형에서의 우불량 예측값의 합을 신용평가를 위한 점수에 대응하는 스케일로 변환하여 스코어카드를 생성하되,상기 스코어카드는 PDO와 BASE를 반영하여 생성하는 것을 특징으로 하는 장치
|
16 |
16
제14항에 있어서,상기 프로세서는,상기 생성된 스코어카드를 참조로 하여, 신용도를 평가하는 것을 특징으로 하는 장치
|
17 |
17
삭제
|
18 |
18
신용도를 평가하기 위한 장치에 있어서,메모리; 및(1) 신용도를 평가하기 위하여 상기 메모리에 저장된 트레이닝 데이터를 사용하여 t 번 학습하여 우불량 예측에 대한 예측력이 높은 순서대로 t 개의 의사결정나무를 생성하고, 상기 t 개의 의사결정나무 각각에 대한 우불량 예측값을 구하되, 상기 신용도를 평가하기 위한 복수의 변수를 고려하여, (i) 상기 우불량 예측값을 구하고, (ii) 상기 구해진 우불량 예측값별로 해당 우불량 예측값의 도출에 가장 큰 영향을 미친 변수를 매칭하여 상기 의사결정나무를 생성함으로써 1차 모형을 모델링하며, (2) 상기 t개의 의사결정나무를 상기 우불량 예측에 대한 예측력이 높은 순서대로 "제1 의사결정나무", "제2 의사결정나무", …, "제t 의사결정나무"라고 할 경우, 상기 메모리에 저장된 테스트 데이터를 이용한 "제1 의사결정나무"부터 "제k 의사결정나무"(k는 1 이상 t 이하의 정수)까지의 누적된 변별력 지표가 가장 큰 상태일 때, 상기 1차 모형에 포함된 상기 t 개의 의사결정나무 중 상기 "제1 의사결정나무"부터 상기 "제k 의사결정나무"까지의 k 개의 의사결정나무를 포함하는 최적 모형을 모델링하는 프로세서;를 포함하되,상기 1차 모형에 포함된 의사결정나무 및 상기 최적 모형에 포함된 의사결정나무는 depth 가 1 인 것을 특징으로 하는 장치
|
19 |
19
제18항에 있어서,상기 1차 모형은 상기 t 개의 의사결정나무의 선형결합으로 이루어지고, 상기 최적 모형은 상기 k 개의 의사결정나무의 선형결합으로 이루어지는 것을 특징으로 하는 장치
|
20 |
20
제11항에 있어서,상기 변별력 지표는, AUROC, K-S, AR 및 IV 방법 중 어느 하나의 방법에 의해 확인하는 것을 특징으로 하는 장치
|
21 |
21
제1항 내지 제6항 및 제8항 내지 제10항 중 어느 한 항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체
|