發(fā)布時間：2024-04-20 04:29

　　立足于P2P平臺,利用P2P平臺個人借款人的信息建立了一套系統(tǒng)的信用風險評估指標體系來甄別可能違約的借款人�；贚ightGBM(一種基于決策樹的Boosting模型)和Bagging提出一種新的LGB-BAG模型,有效結(jié)合了Boosting和Bagging的優(yōu)勢。結(jié)果表明,在決策樹的個數(shù)增大到一定程度的時候,LGB-BAG的F₁均值(預測效果)要高于LightGBM和隨機森林;并且LGB-BAG的F₁方差也要小于其余兩種模型。LGB-BAG的F₁均值最高可達到0.71175,且LGB-BAG模型能夠顯著提高信用風險預測效率。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖6LGB-BAG(M=2)和其余兩種模型的F1均值

為了衡量模型預測結(jié)果的波動性,表6則顯示了在不同N下LGB-BAG模型和LightGBM、RF的F1的方差。圖7LGB-BAG(M=5)和其余兩種模型的F1均值

圖7LGB-BAG(M=5)和其余兩種模型的F1均值

圖6LGB-BAG(M=2)和其余兩種模型的F1均值圖8LGB-BAG(M=10)和其余兩種模型的F1均值

圖8LGB-BAG(M=10)和其余兩種模型的F1均值

圖7LGB-BAG(M=5)和其余兩種模型的F1均值表6不同N下各個模型F1方差NLGB-BAG(M=2)LGB-BAG(M=5)LGB-BAG(M=10)LightBGMRF1000.000680.000600.001260.000640.00117....

圖9LGB-BAG(M=2)和其余兩種模型的F1方差

為了進一步說明問題,給出M=2、M=5、M=10以及時LGB-BAG的F1方差和其余兩種模型F1方差對比,如圖9～圖11所示。圖10LGB-BAG(M=5)和其余兩種模型的F1方差

本文編號：3958879