基于改进XGBoost模型的信用风险评估研究

摘要：

针对当前银行用户数据中良好用户与违约用户存在类别不平衡的情况,以及由此导致分类模型出现过拟合且准确率过于乐观的问题,提出一种基于SMOTE+TOMEK采样算法的XGBoost分类模型.该模型以Lending Club公开信贷数据集为实验数据,通过SMOTE+TOMEK算法进行采样得到样本均衡化且边界清晰的平衡数据集,通过XGBoost模型对数据样本进行分类并与单一分类模型进行对比.实验结果表明,ST-XGB模型从精准率、AUC分数等模型评估指标均优于单一分类模型,具有较好的泛化能力与稳定性.

关键词：XGBoost集成算法、特征工程、不平衡数据、信用评估

所属期刊栏目：43

分类号：TP391(计算技术、计算机技术)

在线出版日期：2022-09-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：53-55