基于SMOTE-AdaBoost-DT的类别不平衡信用评分模型

• 作者: 赵佳丽 徐明江 吴增源 郑素丽
• 来源期刊: 中国计量大学学报
• 学科: 经济
• 关键词: 信用评分 SMOTE技术 集成学习 不平衡分类
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 信息科学|Information Science
• 页码范围: 549-554
• 页数: 6页
• 分类号: F832.4
• 语种: 中文
• DOI: 10.3969/j.issn.2096-2835.2021.04.016

摘要

目的:针对信用评分样本类别不平衡问题,提出一种新的分类方法——合成少数类过采样技术-自适应增强-决策树(SMOTE-AdaBoost-DT)模型.方法:首先,利用SMOTE生成少数类样本,降低数据的不平衡性;其次,利用以DT为基分类器的AdaBoost算法对数据进行分类预测;最后,选取Kaggle平台上的信贷数据集进行实证检验.结果:以AUC和G-mean作为分类评价指标,SMOTE-AdaBoost-DT模型的AUC均值为89.19％,G-mean均值为89.09％,优于决策树、随机森林、AdaBoost和神经网络等算法,且指标的标准差最小.结论:本文提出的模型不仅能提高客户信用评分的准确度,而且可以提高模型的稳定性.