集成学习框架下的个人信用评分模型研究日语专业就业前景分析
作者：陈磊 范宏
来源：《中国市场》2020年第20期pku是什么意思
高考时间2020具体时间表
elephant
alliance
[摘 要]在大数据时代背景下，建立适当的个人信用评分模型对用户违约风险进行有效预
测，对于预防互联网金融风险极其重要。文章基于人工智能前沿技术，引入Bagging、Boosting以及Stacking集成学习框架来构建个人信用评分模型，并在融360平台近3.5万的用户贷款数据集上进行实证研究。首先，选用随机森林、GBDT以及XGBoost算法分别建立了单一信用评分模型;其次，将以上三种同质集成树算法作为Stacking异质集成框架第一层的基分类器，以Logistic regression为第二层的元分类器，进行模型融合。结果表明，Stacking异质集成模型在三种评估角度下均表现优异。
[关键词]信用评分模型;同质集成算法;异质集成算法;随机森林;GBDT;XGBoostsnort
[DOI] 10.ki.zgsc.2020.20.164
1 引言
汉译日 近年来，互联网金融在我国发展势头猛烈，但繁荣与风险往往相伴而生，那些隐藏的风险也不容小觑。特别地，针对信贷领域的个人违约风险，需要建立大数据时代下的高精度个人信用评分模型对用户个人信贷风险进行有效预测。针对单一算法的预测效果有限且泛化能力不佳，Stephen（2010）指出集成学习算法能有效降低偏差、方差，提升信用风腐蚀英文
noanswer险评估模型的准确度与稳定性[1]。当下比较流行的集成方法是基于不同训练集将若干个同一类型的弱分类器融合成一个强分类器的同质集成学习算法，主要分为Bagging和梯度提升Boosting这两大族。后来，周志华研究发现，Stacking异质集成学习框架更为强大，可通过某种策略将多个不同的分类器融合在一起[2]。石家庄新东方英语学校
2 集成学习框架下的个人信用评分模型
