基于自适应惯性权重PSO—LightGBM的信用风险评估研究

摘要

贷款市场复杂的个人信用风险问题中，信用风险评估模型的构建是十分关键的一步.利用Lending Club数据集，进行信用风险评估模型的构建来预测客户的违约概率.首先进行数据处理，再通过合成少数类过采样技术(SMOTE)算法处理数据正负样本不平衡的问题，获得完备的信用贷款数据.其次采用轻量梯度提升机(LightGBM)模型进行训练，并使用自适应惯性权重的粒子群优化(PSO)算法得到LightGBM的最优参数.与多个主流算法进行对比，实验结果表明，构建的模型有更好的性能.

关键词

信用风险 / 不平衡数据 / 合成少数类过采样技术 / LightGBM模型 / 粒子群优化算法