面向类别不平衡信用评分的非对称调整激活函数实现
机器学习
2025-01-22 v1 人工智能
风险管理
摘要
信用评分是系统性地评估借款人在银行贷款上的违约概率（PD）的方法。与此情形相关的数据具有典型的不平衡特性，这使二进制分类变得复杂，因为在分类器学习过程中往往低估了误分类的成本。鉴于这些数据集的高不平衡比率（IR），我们引入了一种创新且简单的方法的优化激活函数，通过嵌入 IR 依赖的非对称调整因子来调整 Sigmoid 激活函数（ASIG）。ASIG 的嵌入使 Sigmoid 函数的敏感边际能够根据数据集的不平衡性质自动调整，从而赋予该激活函数非对称特性，防止在分类器学习过程中对少数类（阳性样本）的表示不足。实验结果表明，嵌入 ASIG 的分类器在下游信用评分任务中，在各种 IR 下均优于传统分类器。该算法在 IR 极高时也表现出良好的鲁棒性和稳定性。因此，该算法为金融行业，尤其是信用评分，提供了一种有效处理高度不平衡分布数据的竞争性备选方案。
引用
@article{arxiv.2501.12285,
title = {Implementation of an Asymmetric Adjusted Activation Function for Class Imbalance Credit Scoring},
author = {Xia Li and Hanghang Zheng and Kunpeng Tao and Mao Mao},
journal= {arXiv preprint arXiv:2501.12285},
year = {2025}
}