典型文献
基于不平衡数据与集成学习算法的信用评价模型
文献摘要：
目前,机器学习方法被广泛应用于信贷领域,对借款人进行信用评价.在机器学习评价过程中,存在信用数据不平衡和对少数类(逾期类)识别率低等问题,可采用特定抽样技术和集成学习方法解决相关问题.该文运用EasyEnsemble方法解决信用数据集不平衡问题,再通过非对称误差成本的核SVM、逻辑斯蒂回归、带有距离加权的k-NN算法以及C5.0算法的决策树的Bagging集成得到组合模型,有效弥补了单一分类器对少数类识别的缺陷,综合提高模型准确率、召回率以及AUC等指标.
文献关键词：
集成算法;个人信用评价;不平衡数据;分类器
中图分类号：
作者姓名：
王灿
作者机构：
上海邮电设计咨询研究院有限公司,上海 200093
文献出处：
引用格式：
[1]王灿-.基于不平衡数据与集成学习算法的信用评价模型)[J].中国新技术新产品,2022(18):10-12
A类：
B类：
不平衡数据,集成学习算法,信用评价模型,机器学习方法,信贷领域,借款人,学习评价,评价过程,信用数据,数据不平衡,少数类,逾期,识别率,抽样技术,集成学习方法,EasyEnsemble,不平衡问题,逻辑斯蒂回归,距离加权,NN,C5,决策树,Bagging,组合模型,分类器,模型准确率,召回率,集成算法,个人信用评价
AB值：
0.49746
相似文献
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。
