论文研究-基于Ext-GBDT集成的类别不平衡信用评分模型.pdf下载

针对现实信用评分业务中样本类别不平衡和代价敏感问题，以及金融机构更期望以得分的方式直观地认识贷款申请人的信用风险的实际需求，提出一种基于Ext-GBDT集成的类别不平衡信用评分模型。使用欠采样的方法从“好”客户（大类）中随机采样多份与全部“坏”客户（小类）等量的样本，分别与全部小类构成训练子集；用不同的训练子集及特征采样和参数扰动的方法训练得到多个差异化的Ext-GBDT子模型；然后使用简单平均法整合子模型的预测概率；最后将信用概率转换为信用评分。在UCI德国信用数据集上，以AUC和代价敏感错误率作为评价指标，与决策树、逻辑回归、朴素贝叶斯、支持向量机、随机森林及其集成模型等当前最为常用的信用评分模型进行对比，验证了该模型的有效性。