基于迁移学习的信用评分预测
在互联网金融机构有很多信贷业务,部分新开展的业务由于客户数据较少,无法建立有效的信用评分模型.本文研究将迁移学习思想应用到该问题中,利用已有其他业务的客户数据帮助新开展的业务建立有效的信用评分模型.本文提出一种联合Triplet-Loss表征学习和领域适配的深度学习方法对已有业务数据进行重新编码,并将重新编码后所得的知识迁移到新开展业务的模型中,最后使用XGBoost做为分类器.针对上述问题,本文提出的模型相对传统机器学习方法在效果上有一定提升,在一定程度上解决了该问题.
信用评分、迁移学习、表征学习、领域适配、XGBoost
29
国家自然科学基金;广东省科技厅大数据专项;中国科学院大学优秀青年教师科研能力提升项目
2020-11-17(万方平台首次上网日期,不代表论文的发表时间)
共5页
134-138