集成学习框架下的个人信用评分模型研究

作者：陈磊; 范宏

来源：中国市场, 2020, (20): 168.

DOI：10.13939/j.cnki.zgsc.2020.20.164

• 信用评分模型
• 同质集成算法
• 异质集成算法
• 随机森林
• GBDT
• XGBoost

在大数据时代背景下,建立适当的个人信用评分模型对用户违约风险进行有效预测,对于预防互联网金融风险极其重要。文章基于人工智能前沿技术,引入Bagging、Boosting以及Stacking集成学习框架来构建个人信用评分模型,并在融360平台近3.5万的用户贷款数据集上进行实证研究。首先,选用随机森林、GBDT以及XGBoost算法分别建立了单一信用评分模型;其次,将以上三种同质集成树算法作为Stacking异质集成框架第一层的基分类器,以Logistic regression为第二层的元分类器,进行模型融合。结果表明,Stacking异质集成模型在三种评估角度下均表现优异。

• 单位
  东华大学