基于不平衡数据与集成学习算法的信用评价模型  

作　　者：王灿 

机构地区：[1]上海邮电设计咨询研究院有限公司,上海200093

出　　处：《中国新技术新产品》2022年第18期10-12,共3页New Technology & New Products of China

摘　　要：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。

关 键 词：集成算法 个人信用评价 不平衡数据 分类器 

分 类 号：F224[经济管理—国民经济]