基于LightGBM、XGBoost和Tabnet结合SMOTEENN的高级用户信用风险预测模型
机器学习
2024-11-14 v3 人工智能
摘要
银行信用风险是现代金融交易中的重要挑战，准确识别大量申请者中合格的信用卡持有人对于银行信用卡业务的盈利能力至关重要。过去，筛选申请者条件往往需要大量的手动工作，这既耗时又费力。尽管以往使用的机器学习模型的准确性和可靠性不断提高，但追求更可靠和强大的AI智能模型的 pursuit 仍是金融行业主要银行的持续追求。在本研究中，我们以来自某商业银行的40,000多条记录为研究对象。我们比较了诸如主成分分析（PCA）和t-分布随机邻域嵌入（t-SNE）等各种降维技术用于预处理高维数据集，并对分布式模型如LightGBM和XGBoost以及深度模型如Tabnet进行深入的适应和调优。经过一系列研究和处理，我们通过将SMOTEENN与这些技术相结合，获得了优异的研究结果。实验表明，LightGBM结合PCA和SMOTEENN技术可以帮助银行准确预测潜在的高质量客户，相较于其他模型表现突出。
引用
@article{arxiv.2408.03497,
title = {Advanced User Credit Risk Prediction Model using LightGBM, XGBoost and Tabnet with SMOTEENN},
author = {Chang Yu and Yixin Jin and Qianwen Xing and Ye Zhang and Shaobo Guo and Shuchen Meng},
journal= {arXiv preprint arXiv:2408.03497},
year = {2024}
}
备注
8 pagess on IEEE ICPICS