结合异常检测与平衡采样方法的机器学习模型在信用评分中的比较研究
机器学习
2021-12-28 v1
摘要
随着网络基础设施的改善与个人借贷需求的增长，过去十年间点对点(P2P)借贷平台快速发展。此类平台使用户无需传统金融机构帮助即可建立点对点借贷关系。评估借款人信用对降低违约率与P2P平台良性发展至关重要。构建个人信用评分机器学习模型可有效预测用户是否会在P2P平台偿还贷款。而数据异常值与样本不平衡问题的处理会影响机器学习模型的最终效果。已有一些关于平衡采样方法的研究，但异常检测方法及其与平衡采样方法组合对机器学习模型效果的影响尚未被充分研究。本文研究了使用不同异常检测方法与平衡采样方法对常用机器学习模型的影响。在44,487个Lending Club样本上的实验表明，恰当的异常检测可提升机器学习模型效果，而平衡采样方法仅对少数机器学习模型(如MLP)有良好效果。
引用
@article{arxiv.2112.13196,
title = {A comparative study on machine learning models combining with outlier detection and balanced sampling methods for credit scoring},
author = {Hongyi Qian and Shen Zhang and Baohui Wang and Lei Peng and Songfeng Gao and You Song},
journal= {arXiv preprint arXiv:2112.13196},
year = {2021}
}