Research indexThesis
การเรยนรแบบเสรมกำลงเชงลกสำหรบการใหคะแนนเครดตและการใหสนเชอโดยใชวธการบตสแทรปแบบเบส
จิตตรานนท์
1 Jan 2025
การเรยนรแบบเสรมกำลงเชงลกสำหรบการใหคะแนนเครดตและการใหสนเชอโดยใชวธการบตสแทรปแบบเบส
จิตตรานนท์ · 2025 · Subscription
The full text is at the publisher
You can read the abstract here, or open it at the publisher.
Abstract
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและเปรียบเทียบประสิทธิภาพของตัวแทนการตัดสินใจในปัญหาการอนุมัติสินเชื่อภายใต้กรอบปัญหาแบนดิตแบบมีบริบท (Contextual bandit) โดยพิจารณาจากจำนวนคุณลักษณะของผู้ขอสินเชื่อ (Feature vector) และจำนวนการคัดเลือกผู้ขอสินเชื่อต่อรอบ โดยใช้โครงข่ายประสาทเทียม เพื่อจำลองการให้คะแนนเครดิตและการตัดสินใจอนุมัติสินเชื่อ งานวิจัยนี้ได้ทำการพัฒนาและเปรียบเทียบตัวแบบตัดสินใจ 4 อัลกอริทึม ได้แก่ ตัวแทนแบบละโมบ (GRE), ตัวแทนแบบละโมบเชิงลึก (GRE-NN), ตัวแทนการสุ่มตัวอย่างแบบทอมสัน (THS) และตัวแทนการบูตสแทร็ปแบบเบส์ (BB-NN) ภายใต้ 6 สถานการณ์ ตามมิติของคุณลักษณะ 5, 10 และ 20 มิติ และพิจารณาคัดเลือกผู้ขอสินเชื่อที่ 1 ราย และ 10 ราย จากผู้ขอสินเชื่อทั้งหมด 100 รายต่อรอบ การทดลองในแต่ละสถานการณ์ดำเนินการ 3,000 รอบ และทดสอบซ้ำจำนวน 50 ครั้ง ผลการศึกษาพบว่า ในกรณีการคัดเลือกผู้ขอสินเชื่อ 1 ราย ตัวแทนแบบ GRE-NN ให้ประสิทธิภาพสูงสุดในมิติของข้อมูลเท่ากับ 5 และ 20 มิติ โดยมีค่าผลตอบแทนสะสมเท่ากับ 205.30 ± 129.65 และ 185.12 ± 85.36 ตามลำดับ ส่วนในระดับมิติของข้อมูลเป็น 10 มิติ ตัวแทนแบบ BB-NN และตัวแทนแบบ GRE-NN มีประสิทธิภาพสูงสุดที่ใกล้เคียงกันด้วยผลตอบแทนสะสมเท่ากับ 243.16 ± 98.35 และ 243.12 ± 100.50 แต่ตัวแทนแบบ GRE-NN ใช้เวลาในการประมวลน้อยกว่า สำหรับกรณีการคัดเลือกผู้ขอสินเชื่อ 10 ราย พบว่าตัวแทนแบบ THS มีประสิทธิภาพสูงสุดในระดับมิติของข้อมูลเท่ากับ 5 และ 10 มิติ โดยมีค่าผลตอบแทนสะสมเท่ากับ 1,787.46 ± 1,194.2 และ 2,035.54 ± 920.23 ตามลำดับ อย่างไรก็ตาม เมื่อมิติของข้อมูลมีความซับซ้อนเพิ่มขึ้นถึงระดับ 20 มิติ ตัวแทนแบบ GRE-NN สามารถแสดงประสิทธิภาพได้ดีที่สุด โดยมีผลตอบแทนสะสมเท่ากับ 1,749.60 ± 534.57