个人信用评分领域通常存在不平衡样本分类问题,“好”客户的数量远多于“坏”客户的数量。在这种情况下,如果直接将传统机器学习中的分类算法应用于个人信用评分,分类结果往往更加偏向于多数类样本,对少数类样本的分类效果差,从而无法正确高效地识别“坏”客户。针对个人信用评分中存在的不平衡样本分类问题,本文从数据分布调整和分类器构造两个层面进行了积极探索。(1)提出了一种基于噪声样本过滤的聚类过采样算法(Classification Filter-K-Means-SMOTE,CF-KM-SMOTE),该算法首先去除原始不平衡样本集中的噪声样本,并在样本聚类后的各簇中对少数类样本完成SMOTE过采样。CF-KM-SMOTE可将新生成的少数类样本控制在少数类区间内,有效解决了SMOTE过采样可能存在的模糊边界问题。(2)提出了一种基于CF-KM-SMOTE的个人信用评分的集成学习方法。该方法在集成学习的迭代过程中使用CF-KM-SMOTE生成新的“坏”客户样本,从而解决不平衡样本对个人信用评分的分类影响,并在Boosting集成的迭代过程中动态改变样本权重,增加了因样本量少而易被错分的“坏”客户样本的权重,可有效解决个人信用评分中的样本不平衡问题。在具有多种样本失衡比的UCI样本集上的实验表明,本文提出的过采样算法和个人信用评分集成学习方法均取得了更优的ROC曲线和更高的AUC、F1-Measure、G-mean值,在“坏”客户的识别方面有一定优势。