Treffer: Comparative result of credit approval with 3 models of machine learning algorithm using program R ; เปรียบเทียบผลลัพธ์ของการอนุมัติสินเชื่อด้วย 3 แบบจำลองของระเบียบวิธ๊ Machine Learning โดยใช้โปรแกรมอาร์

At present of financial innovations, data scientists have used Artificial Intelligence(AI ) to analyze big data with Machine Learning ( ML) for serve customers to more convenient and faster such as using AI to analyze credit approval that acts on behalf of the financial officer or to analyze credit card emergency loan approval etc. Due to limited access to and use of the data in Thailand. So the objective of this study was to study machine learning in financial data and measure efficiency of 3 ML algorithms of the Credit Approval Analysis by using German Credit data, from the UC Irvine Machine Learning Reposity, and using R Programming as a tool to create Machine Learning. The results showed that the KNN model had the most efficient, with Accuracy Score, Precision Score, Recall and F1-Score as 99.33%, 99.03%,100%and 99.51%, respectively, followed by Logistic Regression simulated with Accuracy Score, Precision Score, Recall and F1-Score as 73.00%,75.00%,90.73%and 82.12%respectively, whereas CART Model with Accuracy Score 69.00%, Precision Score87.32%, Recall 72.76% and F1-Score 79.38%. ; นวัตกรรมการเงินในปัจจุบันนักวิทยาศาสตร์ข้อมูล(Data Scientist)ได้มีนำเอาระบบปัญญาประดิษฐ์ (Artificial Intelligence: AI)ช่วยวิเคราะห์ข้อมูลขนาดใหญ่โดยผ่านการเรียนรู้ของเครื่อง(Machine Learning: ML)เพื่อให้การบริการลูกค้ามีความสะดวกและรวดเร็วมากขึ้น เช่นการนำเอไอ(AI) มาใช้ในการพิจารณาวงเงินกู้แทนเจ้าหน้าที่หรือการอนุมัติวงเงินฉุกเฉินของบัตรเครดิตภายในเป็นต้น เนื่องจากข้อจำกัดในการเข้าถึงและใช้ข้อมูลในประเทศไทย ดังนั้นในการศึกษาวิจัยผู้วิจัยได้ใช้ข้อมูลของเจอมันเครดิต(German Credit ที่มาจาก UC Irvine Machine Learning Reposity) โดยใช้โปรแกรมอาร์เป็นเครื่องมือในการสร้างระเบียบวิธีแมชชีนเลิร์นนิง ผลการศึกษาพบว่า แบบจำลองKNN (k-Nearest Neighbors)มีประสิทธิภาพสูงที่สุด โดยมี ค่าความถูกต้อง(Accuracy Score), ค่าความแม่นยำ(Precision Score), ค่ารีคอล (Recall) และค่าเอฟ-1สกอร์(F1-Score) คือ 99.33%, 99.03%, 100%และ 99.51%ตามลำดับ รองลงมาคือแบบจำลองโลจิสติค รีเกรสชัน(Logistic Regression)โดยมีค่าความถูกต้อง(Accuracy Score), ...