Xây dựng mô hình kết hợp bằng phương pháp bagging để dự đoán khách hàng đăng kí tài khoản tại ngân hàng

- ĐẠI HỌC HUẾ ĐẠI HỌC KINH TẾ KHOA HỆ THỐNG THÔNG TIN KINH TẾ ́ tê ́H uê  in h KHĨA LUẬN TỐT NGHIỆP ̣c K XÂY DỰNG MƠ HÌNH KẾT HỢP BẰNG ho PHƯƠNG PHÁP BAGGING ĐỂ DỰ ĐỐN KHÁCH Tr ươ ̀ng Đ ại HÀNG ĐĂNG KÍ TÀI KHOẢN TẠI NGÂN HÀNG Sinh viên thực hiện: Giảng viên hướng dẫn: Phan Thị Diệu Lành TS.Nguyễn Đình Hoa Cương Lớp K49A Tin Học Kinh Tế Niên khóa: 2015 – 2019 Huế, tháng năm 2019 Tr ươ ̀ng ại Đ h in ̣c K ho ́ uê ́H tê - Tr ươ ̀ng ại Đ h in ̣c K ho ́ uê ́H tê - - ́ ́H uê LỜI CẢM ƠN Luận văn tốt nghiệp hoàn thành Trường Đại Học Kinh Tế Huế Trong q trình tê làm khóa luận em nhận nhiều giúp đỡ để hoàn tất luận văn h Đầu tiên em xin gửi lời cảm ơn chân thành đến thầy Nguyễn Đình Hoa Cương trực tiếp ̣c K suốt trình thực luận văn tốt nghiệp in tận tình hướng dẫn, truyền đạt kiến thức, kinh nghiệm động viên lúc khó khăn Xin gửi lời cảm ơn đến quý thầy cô Khoa Hệ Thống Thông Tin Kinh Tế, Trường Đại Học ho Kinh Tế Huế, người truyền đạt kiến thức quý báu cho em suốt thời gian học tập vừa ại qua Đ Cuối xin chân thành cảm ơn đến gia đình, bạn bè bạn sinh viên lớ K49A Tin Học Kinh Tế ln động viên, giúp đỡ q trình làm luận văn Đồng thời xin gửi lời cảm Tr ươ ̀ng ơn đến anh/chị công ty thực tập giúp đỡ để em hồn thành luận văn tốt nghiệp Một lần nữa, em xin chân thành cảm ơn! Huế, tháng năm 2019 I - ́ uê Mục Lục ́H LỜI CẢM ƠN I tê DANH MỤC THUẬT NGỮ V DANH MỤC BẢNG BIỂU VI in h DANH MỤC HÌNH VẼ .VII ̣c K TÓM TẮT NỘI DUNG NGHIÊN CỨU X PHẦN 1: MỞ ĐẦU Lý chọn đề tài 1.2 Mục tiêu nghiên cứu 1.3 Đối tượng phạm vi nghiên cứu 1.4 Phương pháp nghiên cứu ại Đ Tr ươ ̀ng 1.5 ho 1.1 Nội dung nghiên cứu PHẦN II: NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU CHƯƠNG I: CƠ SỞ LÝ THUYẾT 1.1 Khai phá liệu 1.1.1 Tổng quan 1.1.2 Các phương pháp khai phá liệu 1.1.2.1 Khai phá Luật kết hợp 1.1.2.2 Tổng quan phân lớp II - 1.1.2.3 Tổng quan phân cụm 13 1.1.3 Phương pháp đánh giá mơ hình phân lớp 16 1.1.3.1 Confusion Matrix 16 1.1.3.2 Receiver Operating Characteristic (ROC) 17 1.1.4 Lợi ích khai phá liệu 19 ́ uê 1.1.5 Những thách thức khai phá liệu 19 ́H 1.2 Mô tả toán nghiên cứu 20 tê 1.3 Các cơng trình liên quan 20 1.3.1 Các cơng trình nghiên cứu nước ngồi 20 in h 1.3.2 Các cơng trình nghiên cứu nước 24 ̣c K Chương II: PHƯƠNG PHÁP XÂY DỰNG MÔ HÌNH 26 2.1 Phương pháp xây dựng mơ hình 26 ho 2.1.1 Chuẩn bị liệu 26 ại 2.1.1.1 Giới thiệu mô tả tập liệu 26 Đ 2.1.1.2 Tính chất liệu 28 Tr ươ ̀ng 2.1.1.3 Quy trình chuẩn bị liệu 29 2.1.2 Tổng quan mơ hình kết hợp Bagging 35 2.1.3 Xây dựng mơ hình kết hợp phương pháp Bagging 35 2.2 Phương pháp đánh giá mơ hình 37 2.2.1 Xây dựng ROC phân lớp Knowledge 37 2.2.2 Xây dựng ROC nhiều phân lớp Knowledge 38 Chương III: THÍ NGHIỆM VÀ KẾT LUẬN 39 3.1 Thiết lập thí nghiệm 39 3.1.1 Xây dựng mô hình phân lớp dựa phân lớp Nạve Bayes 39 III - 3.1.3 Xây dựng mơ hình phân lớp phân lớp SVM 42 3.1.4 Xây dựng mơ hình phân lớp dựa phân lớp định 43 3.1.5 Xây dựng mơ hình phân lớp dựa phân lớp k-nn 44 3.1.6 Xây dựng mơ hình kết hợp bagging dựa phân lớp định J48 46 3.1.7 Xây dựng mơ hình đánh giá 47 ́ uê 3.2 Kết thí nghiệm 53 ́H 3.2.1 Kết thành công 53 tê 3.2.2 Kết thất bại 54 3.3 Kết luận 54 in h 3.3.1 Kết đạt 54 ̣c K 3.3.2 Hạn chế đề tài 54 3.3.3 Hướng nghiên cứu 55 Tr ươ ̀ng Đ ại ho Danh mục tài liệu tham khảo 56 IV - DANH MỤC THUẬT NGỮ STT Từ viết tắt Nghĩa tiếng việt Cơ quan tiêu chuẩn kế toán tài Financial Accounting Standards Board FASB Nghĩa tiếng anh nhận chung Principles Accepted SVM Hỗ trợ máy vector Support Vector Machine DM Khai phá liệu Data mining CSDL Cơ sở liệu IG Độ lợi thơng tin EM Mơ hình cực đại kì vọng k-NN k- láng giềng gần k-nearest neighbors DT Cây định Decision Tree in h tê ̣c K Information Gain Tr ươ ̀ng Đ ại ho Expectation Maximization V Accounting ́ Các nguyên tắc kế toán chấp General uê GAAP ́H - DANH MỤC BẢNG BIỂU Bảng Mô tả thuộc tính sở để thu thập thơng tin khách hàng từ tập liệu bank-xlsx 27 ́ uê Bảng Kết kiểm thử thành công mơ hình 53 Tr ươ ̀ng Đ ại ho ̣c K in h tê ́H Bảng Kết kiểm thử thất bại mơ hình 54 VI - DANH MỤC HÌNH VẼ Hình 1 Quy trình phát tri thức (nguồn: Quy trình Khai phá liệu (Process of Data mining) Hình Đồ thị phân loại Nạve Bayes (nguồn: http://www.statsoft.com/textbook/naivebayes-classifier) ́ Hình Mơ hình mạng Nơ-ron nhân tạo (nguồn: https://doduytrung.wordpress.com) ́H Hình Mơ hình phân lớp SVM ( nguồn: https://dominhhai.github.io/vi/2018/03/ml-svm/) 10 Hình Cấu trúc định (nguồn: https://oktot.net/thuat-toan-cay-quyet-dinh)11 tê Hình Mơ hình phân lớp k-NN (nguồn:https://www.researchgate.net/figure/Figura-10- h Exemplo-da-classificacao-do-kNN) 13 in Hình Kết phân cụm thuật toán k-means (nguồn: https://nguyenvanhieu.vn/thuat- ̣c K toan-phan-cum-k-means/ 15 Hình Ma trận Confusion matrix (nguồn: https://ereka.vn/post/tim-hieu-ve-confusion-matrix- ho trong-machine-learning) 16 Đ ại Hình Đồ thị đường ROC (nguồn: https://www.statisticshowto.datasciencecentral.com/ ) 18 Tr ươ ̀ng Hình Hình ảnh chụp phần từ tập liệu bank-full.xlsx 28 Hình 2 Hình chụp phần liệu qua xử lí chuyển đổi từ tập liệu bank-full.csv 34 Hình Giao diện phần mềm Weka GUI Choose 36 Hình Giao diện thiết lập Bagging Weka Explorer 36 Hình Giao diện thiết lập phân lớp cho mơ hình kết hợp Bagging 37 Hình Ứng dụng KnowledgeFlow Weka Gui Choose 37 Hình Xây dựng mơ hình đánh giá ROC phân lớp Naïve Bayes 38 Hình Xây dựng mơ hình đánh giá ROC nhiều phân lớp 39 VII - ́ ́H Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng Tr ươ ̀ng Đ ại ho ̣c K in h tê Hình Kết kiểm thử mơ hình phân lớp với phận lớp LibSVM liệu bank.csv Hình Kết kiểm thử mơ hình phân lớp với phận lớp LibSVM liệu bank-full.csv 3.1.4 Xây dựng mơ hình phân lớp dựa phân lớp định Để xây dựng mơ hình phân lớp dựa phân lớp định ta tiến hành thiết lập thí nghiệm theo bước sau: - Bước 1: Tải liệu huấn luyện bank-train.csv bank-fulltrain.csv vào nhớ - Bước 2: Lựa chọn classifier Meta chọn bagging Lựa chọn classifier cho bagging định J48 - Bước 3: Thiết lập chế độ huấn luyện Sinh viên thực hiện: Phan Thị Diệu Lành 43 - Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng Ví dụ: 10-fold cross validation percentage splip (70% / 30%) - Bước 4: Tiến hành xong huấn luyện chọn supplied test set chọn liệu kiểm thử bank-test.csv bank-fulltest.csv tiến hành chạy chạy mơ hình ́ ̣c K in h tê ́H uê kiểm thử sau xem kết cuối để đưa đánh giá kết luận Tr ươ ̀ng Đ ại ho Hình Kết kiểm thử mơ hình phân lớp với phận lớp J48 liệu bank-full.csv Hình Kết kiểm thử mơ hình phân lớp với phận lớp J48 liệu bank.csv 3.1.5 Xây dựng mơ hình phân lớp dựa phân lớp k-nn Để xây dựng mơ hình phân lớp dựa phân lớp k-NN ta tiến hành thiết lập thí nghiệm theo bước sau: - Bước 1: Tải liệu huấn luyện bank-train.csv bank-fulltrain.csv vào nhớ Sinh viên thực hiện: Phan Thị Diệu Lành 44 - Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng - Bước 2: Lựa chọn classifier iBk từ lazy Thay đổi thông số giá trị kNN (thông thường số lẻ 1, 3, 5, 7, 9, 11,…) Ở mơ hình thơng số kNN thiết lập - Bước 3: Thiết lập chế độ huấn luyện Ví dụ: 10-fold cross validation percentage splip (70% / 30%) ́ uê - Bước 4: Tiến hành xong huấn luyện chọn supplied test set chọn liệu kiểm thử bank-test.csv bank-fulltest.csv tiến hành chạy chạy mơ hình Đ ại ho ̣c K in h tê ́H kiểm thử sau xem kết cuối để đưa đánh giá kết luận Tr ươ ̀ng Hình Kết kiểm thử mơ hình phân lớp với phận lớp k-NN liệu bank-full.csv Hình 10 Kết kiểm thử mơ hình phân lớp với phận lớp k-NN liệu bank.csv Sinh viên thực hiện: Phan Thị Diệu Lành 45 - Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng 3.1.6 Xây dựng mơ hình kết hợp bagging dựa phân lớp định J48 Để xây dựng mơ hình kết hợp bagging dựa phân lớp định ta tiến hành thiết lập thí nghiệm theo bước sau: - Bước 1: Tải liệu huấn luyện bank-train.csv bank-fulltrain.csv vào nhớ - Bước 2: Lựa chọn classifier Meta chọn bagging ́ uê Lựa chọn classifier cho bagging định J48 ́H - Bước 3: Thiết lập chế độ huấn luyện tê Ví dụ: 10-fold cross validation percentage splip (70% / 30%) - Bước 4: Tiến hành xong huấn luyện chọn supplied test set h chọn liệu kiểm thử bank-test.csv bank-fulltest.csv tiến hành chạy chạy mơ hình Tr ươ ̀ng Đ ại ho ̣c K in kiểm thử sau xem kết cuối để đưa đánh giá kết luận Hình 11 Kết kiểm thử mơ hình kết hợp bagging với phận lớp J48 liệu bankfull.csv Sinh viên thực hiện: Phan Thị Diệu Lành 46 - ́ ́H Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng tê Hình 12 Kết kiểm thử mơ hình kết hợp bagging với phận lớp J48 liệu bankfull.csv in h 3.1.7 Xây dựng mơ hình đánh giá Knowledge Flow sau: ho Bước 1: Tải liệu vào nhớ ̣c K Để xây dựng mơ hình đánh giá cần thiết lập thí nghiệm phần mềm Weke Trước tiên tạo New Layout ứng dụng Knowledge Flow từ Weka ại GUI Chooser, sau chọn Data Sources kéo thả ArffLoader tập liệu có định dạng Đ tệp arff, chọn CSVLoader tập liệu có định dạng csv vào cửa sổ Untitled1 vừa tạo Vì liệu tệp csv nên chọn CSVLoader, tiến hành đưa liệu bankfull.csv Tr ươ ̀ng bank.csv vào CSVLoader Hình 3.12 Giao diện thiết lập tải liệu vào nhớ Bước 2: Xác định chiều nhãn lớp để phân loại Trước tiên chọn ClassAssigner từ Evaluation kéo thả vào Untitled1 tiếp đến kích chuột phải vào CSVLoader chọn Dataset đưa liệu sang xác định chiều nhãn lớp để phân loại Sinh viên thực hiện: Phan Thị Diệu Lành 47 - ́ ́H uê Xây dựng mô hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng Hình 13 Giao diện thiết lập chiều nhãn lớp cho tập liệu tê Bước 3: Lựa chọn giá trị cho nhãn lớp h Để thiết lập bước chọn ClassValuePicker từ Evaluation tiếp đến kích chuột ̣c K Tr ươ ̀ng Đ ại ho giá trị cho nhãn lớp yes no in phải vào ClassAssigner chọn Dataset để đưa tiến trình sang ClassValuePicker tiến hành chọn Hình 14 Giao diện thiết lập giá trị cho nhãn lớp Bước 4: Phân chia liệu Để phân chia tập liệu sang hai tập train set test set chọn CrossValidation FoldMaker từ Evaluation, sau kích chuột phải vào ClassValuePicker chọn Dataset đưa tiến trình sang CrossValidationFoldMaker Sinh viên thực hiện: Phan Thị Diệu Lành 48 - ́ ́H Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng in h tê Hình 15 Giao diện phân chia liệu ̣c K Bước 5: Thiết lập phân lớp cho mơ hình ho Sau phân chia liệu ta cần đưa liệu huấn luyện vào mơ hình Ở bước mơ hình xây dựng hình chọn phân lớp Naïve ại Bayer, LibSVM (SVM), mạng Nơ-ron nhân tạo, định J48 k-NN Còn xây vào tiến trình Đ dựng nhiều mơ hình chọn nhiều mơ hình cần xây dựng để đưa Tr ươ ̀ng Ở phần tiến hành xây dựng mơ hình đánh giá nhiều phân lớp với mơ hình kết hợp bagging để so sánh kết đạt Ta chọn Classifiers chọn mơ hình Bagging từ meta chọn phân lớp J48 để so sánh với mơ hình phân lớp khác Naïve Bayes, iBk (k=5), LibSVM, J48, Multilayer Perceptron Kéo thả mơ hình cần huấn luyện vào tiến trình sau kích chuột phải từ CrossValidationFoldMaker để thiết lập training set test set Sinh viên thực hiện: Phan Thị Diệu Lành 49 - ́ ho ̣c K in h tê ́H uê Xây dựng mô hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng Đ ại Hình 16 Giao diện thiết lập phân lớp cho mô hình Tr ươ ̀ng Bước 6: Đánh giá liệu Sau liệu đưa vào huấn luyện tiến hành đưa liệu vào mơ hình đánh giá Ta chọn ClassifierPerformanceEvaluator từ Evaluation Kích chuột phải từ phân lớp Naïve bayes, J48, LibSVM, iBk, MultilayerPerceptron, Bagging chọn batch Classifier để đưa liệu vào ClassifierPerformanceEvaluator Tiếp theo đưa định vào cho Model PerformanceChart để tạo mơ hình đường ROC để đánh giá Sinh viên thực hiện: Phan Thị Diệu Lành 50 - ́ ̣c K in h tê ́H uê Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng Tr ươ ̀ng Đ ại ho Hình 17 Giao diện thiết lập tiến trình đánh giá liệu Model PerformanceChart ClassifierPerformance Evaluator ROC Sinh viên thực hiện: Phan Thị Diệu Lành 51 - ́ ̣c K in h tê ́H Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng Tr ươ ̀ng Đ ại ho Hình 18 Giao diện thiết lập hoàn tất đánh giá liệu Hình 19 Kết đánh giá mơ hình đường ROC liệu bank.csv Sinh viên thực hiện: Phan Thị Diệu Lành 52 - ́ in h tê ́H Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng ̣c K Hình 20 Kết đánh giá mơ hình đường ROC liệu bank-full.csv ho 3.2 Kết thí nghiệm J48 iBk(k-NN) Đ Nạve Bayes Tr ươ ̀ng Mơ hình ại 3.2.1 Kết thành công Multilayer LibSVM Bagging (J48) Perceotron (mạng Nơron nhân tạo) Tập liệu Bank.csv 87% 89,5% 89% 86,75% 87,25% 89,25% Bank-full.csv 97,3% 97,83% 97,83% 97,5% 97,83% 98% Bảng Kết kiểm thử thành công Sinh viên thực hiện: Phan Thị Diệu Lành 53 - Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng Nạve Bayes J48 iBk(k-NN) Mơ hình LibSVM Bagging (J48) 3.2.2 Kết thất bại Multilayer 10,75% Perceotron ( mạng Nơron nhân tạo) ́ Tập liệu 13% 10,5% 11% 13,25% Bank-full.csv 2,7% 2,17% 2,17% 2,5% 12,75% 2,17% 2% in h tê ́H Bank.csv Bảng Kết kiểm thử thất bại mơ hình ̣c K 3.3 Kết luận ho 3.3.1 Kết đạt Đề tài đạt mục tiêu đề Xây dựng mơ hình kết hợp bagging để dự đốn khách ại hàng đăng kí tài khoản ngân hàng tương đối hoàn chỉnh với hầu hết bước tiến hành thiết Đ lập thí nghiệm q trình xây dựng mơ hình kiểm thử đánh giá Tr ươ ̀ng Qua thí nghiệm cho thấy tiến hành kiểm thử hai tập liệu bank.csv bank-full.csv mơ hình kết hợp bagging với phân lớp J48 cho kết thành công cao Multilayer Perceptron, LibSVM, J48 hay iBk, tương ứng cho kết thất bại thấp Phân tích tính khả thi việc sử dụng mơ hình kết hợp bagging với phân lớp khai phá liệu để đưa dự đốn khách hàng có hay khơng đăng kí tài khoản ngân hàng Và kết có đăng kí với liệu khách hàng thu thập đạt mức cao Từ đưa định việc kinh doanh hay tiếp thị khách hàng 3.3.2 Hạn chế đề tài Trong trình thực đề tài đến lúc kết thúc, thời gian kiến thức thân có hạn nên đề tài chưa hoàn thiện hết tính khai thác hết lĩnh vực khai phá Sinh viên thực hiện: Phan Thị Diệu Lành 54 - Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng liệu Chỉ hiểu vốn lý thuyết cách thiết lập thí nghiệm kiểm thử tập liệu xây dựng mơ hình đánh giá đơn giản Một số công cụ tốt sử dụng lập trình khai phá liệu, cho kết đạt cao Vẫn chưa mở rộng lĩnh vực nghiên cứu tìm hiểu sâu phương pháp kết hợp khác khai phá liệu ́ uê 3.3.3 Hướng nghiên cứu ́H Phát triển ứng dụng mơ hình kết hợp bagging với mơ hình tối ưu chọn vào thực tê tế việc định hay triển khai chiến lược kinh doanh ngân hàng h Ngoài ra, nghiên cứu thêm phương pháp kết hợp khác Voting, Stacking hay in Boosting Bên cạnh lĩnh vực ngân hàng mở rộng thêm lĩnh vực khác bán hàng siêu ̣c K thị để kết hợp mặt hàng tối ưu, hay lĩnh vực y học dự phịng để dự đốn bệnh Tiếp tục tìm hiểu thêm cách sử dụng cách thức lập trình để chuyển đổi liệu, xây Tr ươ ̀ng Đ ại ho dựng mơ hình kiểm thử mơ hình đánh giá để áp dụng vào lĩnh vực thực tế Sinh viên thực hiện: Phan Thị Diệu Lành 55 - ́ ́H uê Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng tê Danh mục tài liệu tham khảo in h (2018) Khai phá liệu Wikipedia tiếng Việt, , accessed: 02/10/2018 ̣c K Giáo trình Khai phá liệu , accessed: 16/11/2018 ho Máy vectơ hỗ trợ – Wikipedia tiếng Việt , accessed: 09/10/2018 Đ ại (2018) Cây định Wikipedia tiếng Việt, , accessed: 05/10/2018 Wikipedia, Tr ươ ̀ng (2018) k-nearest neighbors algorithm , accessed: 19/11/2018 Aguila E., Angrisani M., Blanco L.R (2016) Ownership of a bank account and health of older Hispanics Economics Letters, 144, 41–44 Benston G.J Wall L.D (2005) How should banks account for loan losses Journal of Accounting and Public Policy, 24(2), 81–100 Megargel A., Shankararaman V., Reddy S.K (2018) Chapter 13 - Real-Time Inbound Marketing: A Use Case for Digital Banking Handbook of Blockchain, Digital Finance, and Inclusion, Volume Academic Press, 311–328 Bendle N.T Wang X (Shane) (2017) Marketing accounts International Journal of Research in Marketing, 34(3), 604–621 10 Evaluation of quantitative indicators of marketing activities in the banking sector ScienceDirect , accessed: 03/10/2018 Sinh viên thực hiện: Phan Thị Diệu Lành 56 - Xây dựng mơ hình kết hợp Bagging để dự đốn khách hàng đăng kí tài khoản ngân hàng 11 Amani F.A Fadlalla A.M (2017) Data mining applications in accounting: A review of the literature and organizing framework International Journal of Accounting Information Systems, 24, 32–58 12 I Gusti Ngurah Narindra Mandala, Nawangpalupi C.B., Praktikto F.R (2012) Assessing Credit Risk: An Application of Data Mining in a Rural Bank Procedia Economics and Finance, 4, 406–412 13 Lin S.-W., Shiue Y.-R., Chen S.-C cộng (2009) Applying enhanced data mining approaches in predicting bank performance: A case of Taiwanese commercial banks Expert Systems with Applications, 36(9), 11543–11551 ́ ́H uê 14 Batmaz İ., Danışoğlu S., Yazıcı C cộng (2017) A data mining application to deposit pricing: Main determinants and prediction models Applied Soft Computing, 60, 808–819 tê 15 Gogas P., Papadimitriou T., Agrapetidou A (2018) Forecasting bank failures and stress testing: A machine learning approach International Journal of Forecasting, 34(3), 440–455 in h 16 Ứng dụng kỹ thuật xây dựng hệ thống kho liệu việc khai phá liệu khách hàng ngân hàng thương mại - Nguyễn Tuấn Minh - TaiLieu.VN , accessed: 04/10/2018 ̣c K 17 Dữ liệu ngân hàng: Khai phá để ứng dụng VietinBank , accessed: 04/10/2018 ại ho 18 Ứng dụng khai phá liệu để giảm thiểu rủi ro tín dụng - Tài liệu text , accessed: 04/10/2018 Tr ươ ̀ng Đ 19 Nước S.-N.H.N Nghiên cứu ứng dụng công cụ khai phá liệu ngân hàng , accessed: 04/10/2018 20 Luận văn thạc sĩ: Ứng dụng khai phá liệu dự toán khách hàng rời mạng viễn thông , accessed: 04/10/2018 21 Tài liệu Quản trị quan hệ khách hàng ngân hàng tmcp đại chúng việt nam - chi nhánh đà nẵng | XEMTAILIEU Xemtailieu.com, , accessed: 15/12/2018 Sinh viên thực hiện: Phan Thị Diệu Lành 57