Resumen

Centrándose en el problema de que los datos de incumplimiento de tarjetas de crédito de una institución financiera están desequilibrados, lo que conduce a resultados de predicción insatisfactorios, este artículo propone un modelo de predicción basado en la media SMOTE y la red neuronal BP. En este modelo, se utiliza el algoritmo de media SMOTE para cambiar la distribución de datos, luego se calcula la importancia de las características de los datos utilizando random forest, y luego se sustituye en los pesos iniciales de la red neuronal BP para la predicción. El modelo resuelve eficazmente el problema del desequilibrio de datos de muestra. Al mismo tiempo, este artículo construye cinco modelos comunes de aprendizaje automático, KNN, logística, SVM, random forest y árbol, y compara el rendimiento de clasificación de estos seis modelos de predicción. Los resultados experimentales muestran que el algoritmo propuesto puede mejorar significativamente el rendimiento de predicción del modelo, llevando su valor de AUC de 0,765 a 0,929. Además

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Datos de incumplimiento de tarjeta de crédito; Modelo de predicción; Significa SMOTE; Red neuronal BP; Bosque aleatorio; Desequilibrio de datos
• Keywords:Credit card default data; Prediction model; Means SMOTE; BP neural network; Random forest; Data imbalance