【摘要】：隨著經(jīng)濟(jì)的發(fā)展,人們通過(guò)使用信用卡、螞蟻借唄等新型產(chǎn)品進(jìn)行提前消費(fèi)以改變量入為出的傳統(tǒng)消費(fèi)觀念。與此同時(shí),形形色色的借貸方法開(kāi)始流行,各類線上線下的資金借貸方式也變得越來(lái)越普遍。但從另一種角度來(lái)看,一種形勢(shì)的盛行往往會(huì)引起一系列新問(wèn)題的產(chǎn)生,當(dāng)今時(shí)代信貸消費(fèi)方式的流行也不例外。因而,由此所引發(fā)的客戶違約問(wèn)題嚴(yán)重影響了信貸行業(yè)的發(fā)展,進(jìn)而阻礙了國(guó)家的經(jīng)濟(jì)發(fā)展。這一現(xiàn)象使得現(xiàn)有的信用評(píng)估體系面臨著巨大的挑戰(zhàn),個(gè)人信用評(píng)估逐步成為信貸這一行業(yè)的研究熱點(diǎn),引入更有效的評(píng)估方法將更有助于經(jīng)濟(jì)的發(fā)展。申請(qǐng)貸款的客戶的等級(jí)主要分為違約和不違約兩種類別,可以將其看作一個(gè)分類問(wèn)題進(jìn)行研究。對(duì)該類問(wèn)題的研究,主要是對(duì)申請(qǐng)貸款客戶的個(gè)人經(jīng)濟(jì)條件、財(cái)產(chǎn)情況等個(gè)人屬性以及歷史信用記錄建立分類模型,從而達(dá)到評(píng)估客戶信用的目的。本文對(duì)國(guó)外某銀行及國(guó)內(nèi)某貸款機(jī)構(gòu)所提供的金融信用數(shù)據(jù)集進(jìn)行了系統(tǒng)的預(yù)處理,采用貝葉斯優(yōu)化算法對(duì)模型進(jìn)行參數(shù)優(yōu)化,基于三種不同的模型對(duì)特征進(jìn)行重要性分析。然后基于Bagging和Boosting兩種集成學(xué)習(xí)的代表算法以及Stacking集成學(xué)習(xí)算法訓(xùn)練模型。其中Stacking集成分別以隨機(jī)森林、支持向量機(jī)及LightGBM為初級(jí)學(xué)習(xí)器、對(duì)數(shù)幾率回歸為次級(jí)學(xué)習(xí)器構(gòu)建評(píng)估模型。此外,本文還加入了對(duì)數(shù)幾率回歸、支持向量機(jī)、k近鄰、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)等簡(jiǎn)單分類算法來(lái)進(jìn)行比較。最后,使用Friedman及Nemenyi兩種檢驗(yàn)方法來(lái)比較這些模型,并繪制Friedman檢驗(yàn)圖進(jìn)一步驗(yàn)證�；谏鲜瞿Ｐ褪褂�10折交叉驗(yàn)證,驗(yàn)證結(jié)果表明Bagging和Boosting這兩種集成學(xué)習(xí)算法訓(xùn)練的模型都起到了一定的性能提升作用,并且后者得到的效果更好,但使用Stacking集成模型的效果并不理想,未能有效地提升分類性能。整體來(lái)說(shuō),集成算法分類效果還是優(yōu)于傳統(tǒng)單一算法。最后,比較兩種檢驗(yàn)方法的結(jié)果可知,在置信度為95%的條件下認(rèn)為部分算法的性能不同。
【圖文】：

技術(shù)路線圖

集成學(xué)習(xí)示意圖
【學(xué)位授予單位】：湖南師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP181;F832.4

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 徐少鋒;;FISHER判別分析在個(gè)人信用評(píng)估中的應(yīng)用[J];統(tǒng)計(jì)與決策;2006年02期

，

本文編號(hào)：2667653