近年來,隨著互聯(lián)網(wǎng)金融中的個人消費信貸領域的飛快發(fā)展,如何根據(jù)客戶的特征行為數(shù)據(jù)對客戶的行為進行分析,優(yōu)化客戶分類,更科學地為管理者提供數(shù)據(jù)支持,更有效地進行風險管理,具有非常重要的現(xiàn)實意義。為了有效直觀地評估風險,引入信用評分卡模型。本文主要通過如下五個部分來進行分析:第一部分主要是介紹選題的研究背景及意義、國內(nèi)外研究概況,第二部分是對數(shù)據(jù)挖掘技術進行了簡單的介紹,以及介紹評分卡的發(fā)展歷程及分類。第三部分主要是對數(shù)據(jù)進行預處理,包括:缺失值處理、異常值處理、數(shù)據(jù)探索、特征處理、類不平衡處理。第四部分是構建模型,本文選用了邏輯回歸、決策樹和支持向量機三種方法進行建模,利用準確率、召回率、F1值和AUC值對所建的模型進行評估,從預測能力和解釋能力兩個方面綜合考慮,選擇用邏輯回歸方法建立信用評分卡模型。第五部分是對本文所做工作進行總結與展望。結果表明,在所有原始特征中,關于歷史逾期行為的特征都用于最后的建模,說明歷史逾期行為對用戶是否違約具有顯著性的影響。在選擇模型時,綜合整體評估,預測能力方面:決策樹的AUC值是最高的,達到0.8373,邏輯回歸也達到了0.8309,相差不大;解釋能力方... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：51 頁

【學位級別】：碩士

【部分圖文】：

age年齡箱形圖

12圖 3-2 percentage（可用額度比值）及 DebtRatio（負債率）箱形圖于 percentage（可用額度比值）及 DebtRatio（負債率）而言，這兩是百分比，因此刪除大于 1 的值。

圖 3-3 30-59、60-89、90-三個變量箱形圖三個變量都有離群值，查看各個特征離群值的數(shù)量，它們離群值的數(shù)量都比則把這些離群值都刪除。其他變量離群值不是很明顯，暫時不做處理。 數(shù)據(jù)探索單變量分析（年齡）變量

【參考文獻】：
期刊論文
[1]信用評分模型比較綜述——基于傳統(tǒng)方法與數(shù)據(jù)挖掘的對比[J]. 何珊,劉振東,馬小林.  征信. 2019(02)
[2]基于XGBOOST的用戶信用評分建模[J]. 韓修龍.  電腦知識與技術. 2018(05)
[3]數(shù)據(jù)挖掘技術綜述[J]. 鄒祎.  信息通信. 2016(12)
[4]信用評分卡體系的發(fā)展及應用[J]. 李延東,鄭小娟.  青海金融. 2016(06)
[5]數(shù)據(jù)挖掘技術的綜述[J]. 王雅軒,頊聰.  電子技術與軟件工程. 2015(08)
[6]信用評分卡綜述[J]. 黎玉華.  黑龍江科技信息. 2010(17)
[7]基于GP+BP的信用評估模型研究[J]. 徐娟,胡學鋼.  合肥工業(yè)大學學報(自然科學版). 2010(04)
[8]個人信用卡信用風險評價體系與模型研究[J]. 遲國泰,許文,孫秀峰.  同濟大學學報(自然科學版). 2006(04)
[9]我國上市公司財務風險預警模型的構建及實證分析[J]. 鄭茂.  金融論壇. 2003(10)
[10]組合預測在商業(yè)銀行信用風險評估中的應用[J]. 王春峰,萬海暉,張維.  管理工程學報. 1999(01)

碩士論文
[1]信用評分卡的建立與應用[D]. 楊靜.天津商業(yè)大學 2018
[2]基于數(shù)據(jù)挖掘技術的信用評分卡模型[D]. 倪顯情.蘇州大學 2017
[3]基于證據(jù)權重邏輯回歸模型的P2P公司信用風險評估[D]. 王金珠.南京航空航天大學 2016



本文編號：3418618