基于RF-SMOTE-XGboost下的银行用户个人信用风险评估模型

摘要：

大数据时代下,用户信用数据中的高维稀疏特征与样本不平衡现象日益显著.为处理高维特征,文中采用随机森林(RF)从Filter和Wrapper角度进行特征提取,并用SMOTE算法对训练集样本做采样处理.模型训练阶段使用粒子群优化算法对XGboost模型做分类精度提高.最后,采用一开源银行数据集提供的数据进行实例验证.结果表明,相较于一般的GBDT模型和网格搜索法,所建立的模型在评估时具有更好的精度与收敛性.

关键词：信用风险评估、SMOTE算法、特征提取、采样处理、XGboost、实例验证

所属期刊栏目：43

分类号：TN915.08-34;TP391.9

资助基金：国家自然科学基金项目;国家自然科学基金项目;重庆市教委项目

在线出版日期：2020-08-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：76-81