计算机工程与科学

作者：陈巩, 李占利, 朱莉

单位：西安科技大学计算机科学与技术学院，陕西 西安 710699

关键词：信用风险预测,深度特征提取,注意力融合,XGBoost,

基金：国家重点研发计划（2019YFB1405000）

随着中国信贷业务的发展，贷款的违约风险评估已成为一项至关重要的任务。由于金融信用数据特征较多，而不同的特征之间可能存在复杂的内在联系。传统机器学习方法与集成学习方法的有效性依赖于特征的选择，忽略了数据的内在联系，而且特征选择也会造成信息丢失。针对以上问题,提出了一种多尺度深度特征融合的特征提取器。首先，对一维数据进行多尺度卷积，充分地提取特征之间的内在联系，并进行注意力融合，以获取更为关键的特征。然后，利用集成学习XGBoost分类器对深层次抽象特征进行分类，最终获得预测结果。在真实数据集上进行评估的实验结果表明，多尺度深度特征融合方式能够更好地预测个人信用风险，与传统机器学习方法和XGBoost模型相比，其AUC与KS值均有所提高。

来源：2023年第12期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2023年第12期