随着信息技术的发展,各行各业的数据呈爆炸式产生.在这种形势下,如何快速有效地从数据的海洋中挖掘出有价值的信息和知识,就成为了各行各业所要解决的重要问题之一.而不平衡数据因其在实际生活中十分常见,成为了专家和学者们的研究热点和方向之一.本文以UCI上的信用卡客户违约数据集为例,该数据集正常客户(0类)样本数量为23364,违约客户(1类)样本数量为6636,类别比约为3.5:1.如果直接用分类方法RF对原始数据建模的话,AUC值为0.7195,违约客户的召回率仅0.34,所以本文通过不平衡数据的方法处理数据,在保证综合评价指标AUC高的基础上提高违约客户的召回率.研究内容如下:(1)数据预处理,包括缺失值和异常值检验,特征衍生,标准化,连续数据离散化,根据每个特征不同类别的样本分布和随机森林特征排序选取特征等;(2)数据层面选择最优方法,采样法包括欠采样、过采样、混合采样,欠采样又可分为基本的欠采样、基于聚类的欠采样(本文借鉴了CUSBoost算法),混合采样法有SMOTEENN、SMOTE+Tomek links方法.本文尝试以上五种方法,分别建立随机森林模型,其中SMOTEENN方法效果最好,AUC值为0.7458,召回率0.60;(3)算法层面选择最优方法,基于SMOTEENN方法,建立LR、SVM、RF、XGBoost、LightGBM模型,并根据经验和网格搜索调整各个模型参数,对比模型效果,发现最优模型是基于SMOTEENN方法的LightGBM算法,AUC值为0.7815,召回率0.70.和最初的效果相比,AUC值提高了0.062,违约客户的召回率提高了0.36.