类别不平衡的集成学习预测P2P网贷信用风险

• 作者: 罗雅晨
• 来源期刊: 科技与创新
• 关键词: P2P网络借贷 信用风险 违约预测 类别不平衡
• 年，卷（期）: 2018,（24）
• 所属期刊栏目: 理论探索
• 页码范围: 1-4
• 页数: 4页
• 分类号: F724.6|F832.4
• 语种: 中文
• DOI: 10.15913/j.cnki.kjycx.2018.24.001

摘要

国内的P2P网贷行业经监管整治后呈现出越来越重视线上风控的趋势,机器学习等技术被广泛应用于构建信用评价体系.而违约的和正常还款的样本类别不平衡是建模的一大难点,有针对性地构建了一种比例平衡的随机森林模型(Ratio-balanced Random Forest).模型对多数类进行多次欠采样,和少数类合并生成多个比例均衡的样本子集,再融合随机子空间添加属性扰动,最后利用随机森林构建集成的分类器模型.在拍拍贷真实借贷数据集上与机器学习单模型、集成模型和平衡的集成模型三类方法做对比实验,结果验证了该模型的有效性,并指出平衡的集成模型方法在解决不平衡分类问题上的优越性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	罗雅晨	同济大学经济与管理学院	2	4	1.0	2.0