基于特征工程与多模型融合的互联网金融违约预测系统

发布时间：2025-05-07 22:55

　　近年来,互联网金融已经是当今社会金融发展的趋势,随着人工智能等技术不断渗透,依靠金融科技主动收集、分析、整理各类金融数据,为细分人群提供更为精准的风控服务,成为解决互联网金融风控问题的有效途径。应用人工智能和大数据等技术对互联网金融用户违约预测,为金融商家提供用户更全面的了解和评估,构建机器学习算法是违约用户预测成功的关键,但是目前研究众多风控模型中,对于金融违约用户预测还存在许多不足之处。本文的主要研究内容如下:1.为提升预测效果,丰富数据信息量,进行数据预处理和特征构建。本文对原始数据进行缺失值处理、时间处理、信息冗余处理后进行数据划分,构建大量特征,并按照特征类型进行特征分群。通过实验分析,验证评估各个特征群的有效性,为特征工程提供广泛思路,对比分析多种特征选择方案,寻找到适合金融场景下用户违约预测特征选择方案。2.为进一步提高互联网金融用户违约预测算法预测效果,进行参数调优、多模型构建与融合。参数对模型扰动大且单模型不具有稳定性,通过参数调优寻找较优参数组合减少参数对模型扰动,构建XGBoost、Cat Boost、GBDT、Light GBM、Random Forest多个单模...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 本文主要内容
    1.4 本文组织结构
第2章 相关技术研究现状
    2.1 互联网金融发展
    2.2 机器学习技术
        2.2.1 数据预处理
        2.2.2 特征选择
        2.2.3 分类算法
        2.2.4 评价指标
    2.3 本章小结
第3章 互联网金融用户违约预测算法
    3.1 用户违约预测算法问题描述
        3.1.1 数据概览
        3.1.2 解决思路
    3.2 数据处理
        3.2.1 数据预处理
        3.2.2 数据集划分
    3.3 特征构建
        3.3.1 用户行为特征群
        3.3.2 用户基本信息特征群
        3.3.3 用户信用评分特征群
        3.3.4 业务特征群
        3.3.5 特征群重要性研究
    3.4 特征选择
        3.4.1 递归式特征消除法
        3.4.2 嵌入式特征选择法
        3.4.3 皮尔逊相关系数法
        3.4.4 方差式特征选择法
    3.5 参数调优
    3.6 模型构建与融合
    3.7 本章小结
第4章 系统设计与实现
    4.1 系统分析
        4.1.1 可行性分析
        4.1.2 功能分析
        4.1.3 设计分析
    4.2 系统设计
        4.2.1 开发环境与工具
        4.2.2 系统架构
        4.2.3 软件架构
    4.3 系统实现
    4.4 本章小结
第5章 总结和展望
    5.1 本文工作总结
    5.2 后续研究工作
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：4043922