danДоклады Национальной академии наук БеларусиDoklady of the National Academy of Sciences of Belarus1561-83232524-2431The Republican Unitary Enterprise Publishing House "Belaruskaya Navuka"10.29235/1561-8323-2025-69-2-101-108dan-1241Research ArticleИНФОРМАТИКАINFORMATICSКлассификация займа c использованием алгоритма случайного леса и сравнительный анализ с другими классификаторамиLoan classification using random forest algorithm and comparative analysis with other classifiersБегунковВ. И.BehunkouU. I.

Бегунков Владимир Иванович – магистр технических наук

ул. Сурганова, 6, 220012, Минск

Behunkou Uladzimir I. – Master of Sciences (Engineering)

6, Surganov Str., 220012, Minsk

vbegunkov@gmail.comКовалёвМ. Я.KovalyovM. Y.

Ковалёв Михаил Яковлевич – член-корреспондент, д-р физ.-мат. наук, профессор

ул. Сурганова, 6, 220012, Минск

Kovalyov Mikhail Y. – Corresponding Member, D. Sc. (Physics and Mathematics), Professor

6, Surganov Str., 220012, Minsk

kovalyov_my@newman.bas-net.byОбъединенный институт проблем информатики Национальной академии наук БеларусиUnited Institute of Informatics Problems of the National Academy of Sciences of Belarus202506052025692101108Copyright © Бегунков В.И., Ковалёв М.Я., 20252025Бегунков В.И., Ковалёв М.Я.Behunkou U.I., Kovalyov M.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://doklady.belnauka.by/jour/article/view/1241

Целью исследования является анализ использования алгоритма случайного леса для решения задачи классификации займа и проведение сравнительного анализа с результатами, полученными при использовании логистической регрессии, нейронной сети прямого распространения и глубокой нейронной сети прямого распространения. В результате исследований определены лучшее максимальное количество входных показателей и лучшее количество деревьев в ансамбле при использовании алгоритма случайного леса, исследовано воздействие альтернативного разбиения данных на тренировочный и тестовый наборы на точность прогнозирования модели при использовании алгоритма случайного леса. В заключение предложена стратегия решения задачи классификации займа на основе исследованных ранее классификаторов.

The study aims to analyze the application of the random forest algorithm in addressing the loan classification issue. Furthermore, it intends to perform a comparative analysis by juxtaposing the outcomes with those derived from logistic regression, feedforward neural network, and deep feedforward neural network models. The research determined the ideal maximum number of input indicators and the ideal number of trees in the ensemble when utilizing the random forest algorithm. Additionally, it explored the impact of alternative data partitioning into training and test sets on the accuracy of model forecasting with the random forest algorithm. In conclusion, a strategy for addressing the loan classification issue using the classifiers studied has been proposed.

классификация займаскорингмашинное обучениеалгоритм случайного лесасравнительный анализ классификаторовloan classificationscoringmachine learningrandom forest algorithmcomparative analysis of classifiersReferencesБегунков, В. И. Классификация займов c использованием логистической регрессии / В. И. Бегунков, М. Я. Ковалев // Информатика. – 2023. − Т. 20, № 1. – С. 55–74. https://doi.org/10.37661/1816-0301-2023-20-1-55-74Behunkou U. I., Kovalyov M. Y. Loan classification using logistic regression. Informatics, 2023, vol. 20, no. 1, pp. 55–74 (in Russian). https://doi.org/10.37661/1816-0301-2023-20-1-55-74Бегунков, В. И. Классификация займа с использованием нейронной сети прямого распространения / В. И. Бегунков // Информатика. – 2024. − Т. 21, № 1. – С. 83–104. https://doi.org/10.37661/1816-0301-2024-21-1-83-104Behunkou U. I. Loan classification using a feed-forward neural network. Informatics, 2024, vol. 21, no. 1, pp. 83–104 (in Russian). https://doi.org/10.37661/1816-0301-2024-21-1-83-104Benchmarking state-of-the-art classification algorithms for credit scoring: an update of research / S. Lessmann, B. Baesens, H.-V. Seow, L. C. Thomas // European Journal of Operational Research. – 2015. – Vol. 247, N 1. – P. 124–136. https://doi.org/10.1016/j.ejor.2015.05.030Lessmann S., Baesens B., Seow H.-V., Thomas L. C. Benchmarking state-of-the-art classification algorithms for credit scoring: an update of research. European Journal of Operational Research, 2015, vol. 247, no. 1, pp. 124–136. https://doi.org/10.1016/j.ejor.2015.05.030Quinlan, J. R. Induction of Decision Trees / J. R. Quinlan // Machine Learning. – 1986. – Vol. 1, N 1. – P. 81–106. https://doi.org/10.1007/bf00116251Quinlan J. R. Induction of Decision Trees. Machine Learning, 1986, vol. 1, pp. 81–106. https://doi.org/10.1007/bf00116251Classification and Regression Trees / L. Breiman, J. H. Friedman, R. A. Olshen, C. J. Stone. – New York, 1984. – 368 p. https://doi.org/10.1201/9781315139470Breiman L., Friedman J. H., Olshen R. A., Stone C. J. Classification and Regression Trees. New York, 1984. 368 p. https://doi.org/10.1201/9781315139470Hastie, T. The elements of statistical learning: Data mining, inference, and prediction / T. Hastie, R. Tibshirani, J. Friedman. – New York, 2009. – 3d ed. – P. 308–310. https://doi.org/10.1007/978-0-387-84858-7Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: Data mining, inference, and prediction. 3d ed. New York, 2009, pp. 308–310. https://doi.org/10.1007/978-0-387-84858-7Breiman L. Random Forests / L. Breiman // Machine Learning. – 2001. – Vol. 45. – P. 5–32. https://doi.org/10.1023/a:101093340432Breiman L. Random Forests. Machine Learning, 2001, vol. 45, pp. 5–32. https://doi.org/10.1023/a:1010933404324

The authors declare that there are no conflicts of interest present.