基于LightGBM和特征工程的商业银行客户信用风险评估的高效方法
摘要：有效控制信用风险是商业银行稳定运作的关键环节。本文主要基于Kaggle上的外国商业银行的客户信息数据集，使用LightGBM算法构建一个分类器来对客户进行分类，以帮助银行判断客户违约可能性。本文主要涉及特征工程，如缺失值处理、编码、样本不平衡等，大大提高了机器学习效果。本文的主要创新是在原始数据集的基础上构建新的特征属性，使分类器的准确率达到0.734，AUC达到0.772，这超过了许多基于相同数据集的分类器。该模型可以为商业银行的信贷授予提供一些参考，并为其他类似研究提供一些特征处理思路。
作者：Yanjie Sun, Zhike Gong, Quan Shi, Lin Chen
论文ID：2308.08762
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-21