基于变分自编码器潜在聚类的分群信用评分
计算工程、金融与科学
2018-06-08 v1 机器学习
摘要
在零售银行投资组合中识别具有不同风险特征的客户分群可以提高信用评分的准确性。变分自编码器（VAE）在不同研究领域展现出了良好的前景，已有文献记录了 VAE 潜在空间中蕴含的强大信息。我们使用 VAE 并表明，将输入数据转换为有意义的表示后，可以引导 VAE 潜在空间中的配置。具体而言，证据权重（WoE）变换封装了陷入财务困境的倾向，而 VAE 的潜在空间以定义良好的聚类结构保留了这一特征。这些聚类具有显著不同的风险特征，因此不仅适用于信用评分，也适用于营销和客户目的。这种新的聚类方法为现有聚类算法中的一些挑战提供了解决方案，例如，建议聚类数量、为新客户分配聚类标签、实现聚类可视化、可扩展至大型数据集、捕获非线性关系等。最后，对于每个聚类中包含大量客户的投资组合，为每个聚类开发一个分类器模型可以改善信用评分评估。
引用
@article{arxiv.1806.02538,
title = {Segment-Based Credit Scoring Using Latent Clusters in the Variational Autoencoder},
author = {Rogelio Andrade Mancisidor and Michael Kampffmeyer and Kjersti Aas and Robert Jenssen},
journal= {arXiv preprint arXiv:1806.02538},
year = {2018}
}