基于BLS-分类器的信用评分研究

摘要

为了有效管理信用风险,金融机构开发出各种定量模型。各种分类方法被用来用于信用评分:区分好的和坏的借款人。但信贷数据集存在不平衡性不进行处理会影响分类器性能,且目前并未用不同分类器对单一信贷数据集进行处理。本文基于BLS算法研究了各类分类器对同一信贷数据集的分类性能问题。首先给出了各分类器的分类原理。接着,基于BLS算法对不平衡信贷数据进行处理,再接着给出了分类器的模型分析,最后,利用各项评估指标对不同分类器性能进行比较。结果显示,随机森林分类器最适合对信贷数据集进行分类,未来可将随机森林作为基分类器开发集成模型进一步提高预测准确性和性能。