基于异构集成模型的个人信用评估研究

针对银行贷款风险控制中客户个人信用难以评估的特点，提出一种基于异构集成算法模型的个人信用评估。对个人信用特征进行分层学习，开展非均衡数据集处理实验，采用多类别不平衡方法对采集的个人信用特征进行均衡化处理，将少数类样本与等量多数类样本组成正负样本均衡的原始特征。采用异构集成模型对个人信用原始特征进行识别，实验结果表明，提出的异构集成学习模型AUC值达到0.916,相对于传统的机器学习模型的AUC值平均提升了7.38%,并具有良好的泛化能力。