大數(shù)據(jù)時代下,用戶信用數(shù)據(jù)中的高維稀疏特征與樣本不平衡現(xiàn)象日益顯著。為處理高維特征,文中采用隨機(jī)森林(RF)從Filter和Wrapper角度進(jìn)行特征提取,并用SMOTE算法對訓(xùn)練集樣本做采樣處理。模型訓(xùn)練階段使用粒子群優(yōu)化算法對XGboost模型做分類精度提高。最后,采用一開源銀行數(shù)據(jù)集提供的數(shù)據(jù)進(jìn)行實例驗證。結(jié)果表明,相較于一般的GBDT模型和網(wǎng)格搜索法,所建立的模型在評估時具有更好的精度與收斂性。

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 混合式高維稀疏特征處理
2 模型優(yōu)化
    2.1 過采樣平衡樣本
    2.2 XGboost算法
    2.3 XGboost算法參數(shù)優(yōu)化
    2.4 XGboost模型實現(xiàn)流程
3 實證分析
    3.1 實驗數(shù)據(jù)
    3.2 特征選擇
    3.3 模型優(yōu)化與結(jié)果分析
4 結(jié)語



本文編號：3965269