基于集成TrAdaBoost模型的信用违约预测  

作　　者：汤晶晶 

机构地区：[1]东北大学,沈阳110819

出　　处：《电脑编程技巧与维护》2023年第6期35-36,40,共3页Computer Programming Skills & Maintenance

摘　　要：针对目前信用卡经营中的信用风险问题,在集成学习的基础上,试图对两种算法展开融合改进,提出了基于引导聚集算法(Bagging算法)集成迁移学习框架(TrAdaBoost)的预测模型,发挥Bagging与提升算法(Boosting)两种算法各自的优势,提升集成模型的泛化性能与预测精度,并使用SMOTETomek混合采样(合成少数类过采样加相反类样本配对技术)算法平衡数据集,进而期望在信用风险预测领域开辟新途径。通过阿里云天池网上公开的信用违约数据集的实验结果表明,融合后的模型AUC值为0.9258,其他指标值相较于其他模型都有所提升,表明该模型对信用违约的预测效果较好。

关 键 词：集成学习 TrAdaBoost算法 BAGGING算法 SMOTETomek混合采样 

分 类 号：F832.4[经济管理—金融学] TP18[自动化与计算机技术—控制理论与控制工程]