分类 | 方法/模型 | 研究内容 | 作者 | |
基于机器学习的 信用风险评估 | Logistic | 传统的在非线性下表现一般,有序多分类Logistic和 基于L1惩罚的Logit能有效识别影响信用违约的关键因素 | Aledanjro (2016); 熊正德等(2017); 阮素梅等(2018) | |
决策树 | 决策树能较好地解释贷款违约原因,较为准确地预测违约率 | Sideny等(2014); 王茂光等(2016); 王程龙等(2016) | ||
神经网络 | 在非线性情况下,对借款人信用风险能做出较为准确的判断 | Desai等(1996); 吴斌等(2017); 李昕等(2018) | ||
支持向量机 | SVM预测准确性高,但算法复杂,解释性较差 | Fernandez-Delgado (2014) | ||
集成 学习 | Boosting | 运用Adaboost算法识别借款人违约风险重要因素指标 | 张宁静等(2018) | |
Bagging | 引入随机森林算法构建融入软信息的违约预测模型, 可以有效提高预测准确率 | 蒋翠清等(2017) | ||
Stacking | 以logistic回归等作为初级学习器,以SVM作为 次级学习器,显著降低错误比例,提高预测正确率 | 丁岚(2017) |