文献类型：期刊文章

作　　者：白鹏飞[1] 安琪[1] Nicolaas Fransde ROOIJ[2] 李楠[2] 周国富[1,2,3]

机构地区：[1]华南师范大学华南先进光电子研究院,广州510006 [2]深圳市国华光电科技有限公司,深圳518110 [3]深圳市国华光电研究院,深圳518110

出　　处：《华南师范大学学报（自然科学版）》

基　　金：国家自然科学基金委员会-荷兰国家基金机构间合作重点项目(NSFC-NWO)(51561135014);教育部"长江学者和创新团队发展计划"资助项目(IRT13064);广东省引进创新科研团队计划项目(2013C102);广东省科技计划项目(2014B090914004;2016B090918083);广东省引进第四批领军人才专项资金项目(2014);深科技创新【2015】291号科技金融股权投资项目(GQYCZZ20150721150406);国家高等学校学科创新引智计划111引智基地(光信息创新引智基地)

年　　份：2017

卷　　号：49

期　　号：6

起止页码：119-123

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CAS、JST、MR、PROQUEST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对网络个人信用有效评分缺失的问题,分析了互联网信贷个人信用评估数据的特点,选用支持向量机、随机森林和XGBoost分别建立了信用预测模型,并对3种单一模型进行了投票加权融合.基于互联网信贷数据的特点,在特征工程中对样本集特征进行了离散化、归一化和特征组合等处理.为增加对比,对实验数据集进行了FICO评估核心——Logistic回归分析.实验结果表明:3种单一算法性能均优于Logistic回归,XGBoost表现优于支持向量机和随机森林模型,预测相对准确;投票融合模型的表现比单一模型更好,模型分辨能力更优秀,预测精度更高,更适用于互联网信贷个人信用评估.

关 键 词：个人信用评估 互联网信贷  支持向量机 随机森林  XGBoost  模型融合  

分 类 号：TP39]