科研之友
微信
新浪微博
Facebook
分享链接
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。
- 单位
