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)