10.3969/j.issn.1673-9957.2022.18.005
基于不平衡数据与集成学习算法的信用评价模型
目前,机器学习方法被广泛应用于信贷领域,对借款人进行信用评价.在机器学习评价过程中,存在信用数据不平衡和对少数类(逾期类)识别率低等问题,可采用特定抽样技术和集成学习方法解决相关问题.该文运用EasyEnsemble方法解决信用数据集不平衡问题,再通过非对称误差成本的核SVM、逻辑斯蒂回归、带有距离加权的k-NN算法以及C5.0算法的决策树的Bagging集成得到组合模型,有效弥补了单一分类器对少数类识别的缺陷,综合提高模型准确率、召回率以及AUC等指标.
集成算法、个人信用评价、不平衡数据、分类器
F224(经济计算、经济数学方法)
2022-12-19(万方平台首次上网日期,不代表论文的发表时间)
共3页
10-12