论文部分内容阅读
提出基于XGBoost算法的随机森林模型(即XGBoost-RF模型),以评估个人信用风险。将德国信用数据集作为数据样本,引入XGBoost算法处理数据样本,依据其得出的重要性得分筛选个人信用风险评估指标;基于所得指标,运用随机森林算法(RF)对数据样本进行分类,并分析了指标特点及分类性能。研究结果表明:实务中个人信用风险评估指标体系对"人脉关系"指标关注欠缺;无论从成本还是预测效果来看,改进的随机森林模型即XGBoost-RF模型都展示了较好的可行性和优越性。