10.11772/j.issn.1001-9081.2019020827
基于改进的代价敏感决策树的网络贷款分类
在网络贷款用户数据集中,贷款成功和贷款失败的用户数量存在着严重的不平衡,传统的机器学习算法在解决该类问题时注重整体分类正确率,导致贷款成功用户的预测精度较低.针对此问题,在代价敏感决策树敏感函数的计算中加入类分布,以减弱正负样本数量对误分类代价的影响,构建改进的代价敏感决策树;以该决策树作为基分类器并以分类准确度作为衡量标准选择表现较好的基分类器,将它们与最后阶段生成的分类器集成得到最终的分类器.实验结果表明,与已有的常用于解决此类问题的算法(如MetaCost算法、代价敏感决策树、AdaCost算法等)相比,改进的代价敏感决策树时网络贷款用户分类可以降低总体的误分类错误率,具有更强的泛化能力.
不平衡、代价敏感、网络贷款、集成学习、决策树
39
TP181(自动化基础理论)
2019-11-18(万方平台首次上网日期,不代表论文的发表时间)
共5页
2888-2892