基于超参数优化和集成学习的互联网信贷个人信用评估

作者：王重仁; 韩冬梅

来源：统计与决策, 2019, 35(01): 87-91.

DOI：10.13546/j.cnki.tjyjc.2019.01.019

• 信用风险评估
• 贝叶斯参数优化
• 集成学习
• 数据挖掘

针对互联网信贷行业的个人信用风险评估问题,文章提出了一种基于贝叶斯参数优化和XGBoost算法的信用评估方法。方法包括五个步骤:数据预处理、特征选择、超参数优化、模型训练、模型预测和评估。实验结果表明,本方法的预测效果优于对比算法(Logistic回归、支持向量机,随机森林、神经网络),同时贝叶斯参数优化方法优于网格搜索法和随机搜索法。因此本文提出的信用评估方法,可以更好区分违约用户,有助于更好地识别用户的违约风险。

• 单位
  上海财经大学