改进SMOTE算法在Logistic回归信用评分模型中的应用

摘要

信用评分模型是商业银行贷前审批的重要应用模型,它通过提前识别出高风险客户来降低银行遭受信贷违约和欺诈的风险。Logistic回归模型作为最广泛使用的信用评分模型,对于信贷数据样本不平衡的特点较为敏感,若不改善样本不平衡问题,将会使模型的分类性能欠佳。为此,本文结合Logistic回归原理,提出了考虑变量重要性来合成辅助样本的改进SMOTE过采样算法(FW_SMOTE),通过与传统SMOTE、一些经典的改进SMOTE算法,如Borderline-SMOTE和ADASYN做实验对比,发现FW_SMOTE过采样算法使Logistic回归信用评分模型的效果有所改善,具有一定的应用价值。