梯度提升生存树及其在信用评分中的应用
机器学习
2021-08-06 v5 机器学习
摘要
信用评分在消费金融领域中起着至关重要的作用。生存分析通过量化生存时间的概率，为信用评分问题提供了一种先进的解决方案。为了处理在中国消费金融市场中收集的高度异质的工业数据，我们提出了一种称为梯度提升生存树（GBST）的非参数集成树模型，该模型通过梯度提升算法扩展了生存树模型。生存树集成以加性方式通过最小化负对数似然来学习。所提出的模型同时优化每个时间段的生存概率，从而能显著降低总体误差。最后，作为适用性检验，我们应用 GBST 模型基于大规模真实市场数据集来量化信用风险。结果表明，按一致性指数（C-index）、Kolmogorov-Smirnov（KS）指数以及各时间段的受试者工作特征曲线下面积（AUC）衡量，GBST 模型优于现有的生存模型。
引用
@article{arxiv.1908.03385,
title = {Gradient Boosting Survival Tree with Applications in Credit Scoring},
author = {Miaojun Bai and Yan Zheng and Yun Shen},
journal= {arXiv preprint arXiv:1908.03385},
year = {2021}
}
备注
26 pages, 7 figures