用于信用评分的装袋监督自编码器分类器
机器学习
2021-08-19 v1 机器学习
摘要
信用评分模型是银行和金融机构依赖的最有力的风险管理工具之一，在过去几十年中一直是研究的热门课题。相应地，人们已开发了许多方法来应对贷款申请人分类中的挑战，并改进和促进决策。信用评分数据集的不平衡性以及其中特征的异质性，给开发和实施有效的信用评分模型带来了困难，影响了分类模型在未见数据上的泛化能力。本文提出装袋监督自编码器分类器（Bagging Supervised Autoencoder Classifier, BSAC），其主要利用监督自编码器的优越性能；该自编码器基于多任务学习原理，专门针对信用评分的最终分类任务学习输入数据的低维嵌入。BSAC还通过采用基于多数类欠采样的装袋（Bagging）过程变体来解决数据不平衡问题。我们在基准和真实信用评分数据集上的实验结果表明，装袋监督自编码器分类器在对贷款申请人进行分类时具有鲁棒性和有效性，可视为信用评分模型的积极进展。
引用
@article{arxiv.2108.07800,
title = {Bagging Supervised Autoencoder Classifier for Credit Scoring},
author = {Mahsan Abdoli and Mohammad Akbari and Jamal Shahrabi},
journal= {arXiv preprint arXiv:2108.07800},
year = {2021}
}