PENERAPAN NAÃVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
Notice bibliographique
Résumé
Dalam dunia perbankan, pemberian kredit kepada nasabah adalah kegiatan rutinyang mempunyai resiko tinggi. Dalam pelaksanaannya, kredit yang bermasalah (kredit macet) sering terjadi akibat analisis kredit yang tidak hati-hati atau kurang cermat dalam proses pemberian kredit, maupun dari karakter nasabah yang tidak baik. Untuk mencegah terjadinya kredit macet , diperlukan adanya peramalan akurat yang salah satunya menggunakan teknologi di bidang data mining. Dengan menggunakan teknologi di bidang data mining yang mengoptimasi proses pencarian informasi prediksi dalam basis data yang besar, serta menemukan pola-pola yang tidak diketahui sebelumnya . Naïve Bayes memprediksi probabilitas di masa depan berdasarkanpengalaman di masa sebelumnya d engan mempelajari korelasi hipotesis yang merupakan label kelas yang menjadi target pemetaan dalam klasifikasi dan evidence yang merupakan fitur-fitur yang menjadi masukan dalam model klasifikasi. P engolahan data berbasis data mining tersebut diharapkan dapat digunakan sebagai alat bantu dalam memprediksikan kelayakan kredit yang memperkirakan layak atau tidaknya pemohon atau nasabah untuk diberikan kredit. Kata kunci : Data Mining, Naïve Bayes, Prediksi kelayakan kredit
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».