LGB-BAG在P2P网贷借款者信用风险评估中的应用

发布时间：2024-04-20 04:29

　　立足于P2P平台,利用P2P平台个人借款人的信息建立了一套系统的信用风险评估指标体系来甄别可能违约的借款人。基于LightGBM(一种基于决策树的Boosting模型)和Bagging提出一种新的LGB-BAG模型,有效结合了Boosting和Bagging的优势。结果表明,在决策树的个数增大到一定程度的时候,LGB-BAG的F₁均值(预测效果)要高于LightGBM和随机森林;并且LGB-BAG的F₁方差也要小于其余两种模型。LGB-BAG的F₁均值最高可达到0.71175,且LGB-BAG模型能够显著提高信用风险预测效率。

【文章页数】：8 页

【部分图文】：

图6LGB-BAG(M=2)和其余两种模型的F1均值

为了衡量模型预测结果的波动性,表6则显示了在不同N下LGB-BAG模型和LightGBM、RF的F1的方差。图7LGB-BAG(M=5)和其余两种模型的F1均值

图7LGB-BAG(M=5)和其余两种模型的F1均值

图6LGB-BAG(M=2)和其余两种模型的F1均值图8LGB-BAG(M=10)和其余两种模型的F1均值

图8LGB-BAG(M=10)和其余两种模型的F1均值

图7LGB-BAG(M=5)和其余两种模型的F1均值表6不同N下各个模型F1方差NLGB-BAG(M=2)LGB-BAG(M=5)LGB-BAG(M=10)LightBGMRF1000.000680.000600.001260.000640.00117....

图9LGB-BAG(M=2)和其余两种模型的F1方差

为了进一步说明问题,给出M=2、M=5、M=10以及时LGB-BAG的F1方差和其余两种模型F1方差对比,如图9～图11所示。图10LGB-BAG(M=5)和其余两种模型的F1方差

本文编号：3958879