典型文献
基于Focal Loss修正交叉熵损失函数的信用风险评价模型及实证
文献摘要：
针对信用评价违约、非违约样本比例失衡,容易出现评价模型对非违约样本识别过度,对违约样本、尤其是违约样本中困难样本识别不足的问题,将图像识别中得以广泛应用的焦点损失Focal Loss函数引入信用评价,构建Focal Loss修正交叉熵损失函数的信用风险评价模型,并用三个数据集验证了模型的有效性.创新与特色:一是在信用评价交叉熵损失函数中引入聚焦参数γ构造调节因子(1-y')γ,通过增大困难样本在目标损失中的权重,构建ADASYN-BPNN-FocalLoss信用风险评价模型,保证信用评价模型对不均衡数据中违约样本的识别力,弥补了现有深度学习信用评价模型无法有效识别不均衡数据中困难样本的不足.二是通过测算违约样本的K近邻非违约样本占比ri,求解需新合成的样本数gi,进而利用SMOTE算法合成新的违约样本,既保证了新生成的违约样本si 能够反映原信用评价数据的基本特征,也改变了现有违约、非违约样本不均衡致使评价模型判别能力偏低的现状.三是利用本文所建模型与ADASYN-BPNN-CrossEntropy、决策树、K最近邻、随机森林等5种模型,对中国1298个农户贷款数据和UCI公开的德国、澳大利亚信贷数据集进行分析,实证表明本文所建模型AUC、Type2-error等指标均优于现有模型.该方法可有效提升模型对困难样本的识别能力,改善违约预测性能.
文献关键词：
信用评价;Focal Loss;BP神经网络;自适应综合过采样
中图分类号：
作者姓名：
杨莲;石宝峰
作者机构：
西北农林科技大学经济管理学院,陕西杨凌 712100;西北农林科技大学信用大数据应用研究中心,陕西杨凌 712100
文献出处：
引用格式：
[1]杨莲;石宝峰-.基于Focal Loss修正交叉熵损失函数的信用风险评价模型及实证)[J].中国管理科学,2022(05):65-75
A类：
gi,CrossEntropy
B类：
交叉熵损失函数,信用风险评价,风险评价模型,别过,困难样本,图像识别,焦点损失,数据集验证,调节因子,ADASYN,BPNN,FocalLoss,信用评价模型,不均衡数据,识别力,有深度,ri,SMOTE,既保证,si,评价数据,有违,样本不均衡,决策树,最近邻,贷款,款数,UCI,亚信,信贷,Type2,error,现有模型,识别能力,违约预测,预测性能,自适应综合过采样
AB值：
0.286523
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
