基于Stacking模型融合的信用卡违约风险评估与预测

摘要

本文使用Stacking融合算法作为最终预警模型，预测信用卡用户次月违约的可能性.首先采用数据预处理与特征工程技术的方法，对数据集进行深入的处理和特征筛选，接着对数据进行平衡化处理.采用多种机器学习算法进行模型训练和优化，通过五折交叉验证法和网格搜索进行模型调参，确定模型中的最佳参数组合.引入4个模型评估指标，用于比较各分类模型的性能.对比指标取值后发现随机森林算法、 AdaBoost算法、 XGBoost算法和LightGBM算法的预测效果最好，进而用AdaBoost算法、 XGBoost算法和LightGBM算法作为Stacking融合模型的基模型，用随机森林作为Stacking融合模型的元模型，构建一个两层Stacking融合模型.结果表明，Stacking融合模型的分类效果要优于单个分类模型.

关键词

信用卡客户违约 / LightGBM算法 / AdaBoost算法 / Stacking融合模型