个人信用评估作为商业银行判定借贷风险的直接依据,在金融领域显得尤为重要。针对传统个人信用评估模型存在数据不平衡、模型结构单一、易受主观因素干扰等问题,提出一种基于SMOTE+ENN(synthetic minority oversampling technique+edited nearest neighbours)算法与集成学习的个人信用评估方法。首先,该方法在数据预处理的基础上,采用SMOTE+ENN算法对样本数据进行数据平衡分布处理,增强了分类算法性能;然后,基于网格搜索优化算法,搜寻适用于多种分类器的最优超参数,进而构造出相应的最优单一评估模型,达到了提高个人信用评估精确度的目的;最后,利用相关的集成学习策略将表现最优的三种分类器结果集成,构造出信用评估的最优预测模型,从而实现更为准确的个人信用评估。实验结果表明,在现有公开数据集Give Me Some Credit上,与传统数据不平衡处理方法相比,该方法的预测准确率高达97%,精确度提升约2%,验证了算法改进的有效性。
展开▼
