基于机器学习算法svm、xgb、lgb的购房贷款违约预测实战

1.1 实验题目:购房贷款违约预测

任务:使用机器学习相关知识完成购房贷款违约预测,给定特征字段,输出是否会发生逾期的预测。

1.2 实验要求

1.2 题目背景

随着世界经济的蓬勃发展和中国改革开放的逐渐深入,无论是企业的发展还是从人们消费观念的转变,贷款已经成为企业和个人解决经济问题的一种重要方式。随着银行各种贷款业务的推出和人们日益膨胀的需求,不良贷款也就是贷款违约的概率也随之激增。为了避免贷款违约,银行等金融机构在发放贷款时会对借款人的信用风险进行评估或打分,预测贷款违约的概率并根据结果做出是否发放贷款的判断。如何在发放贷款前有效的评价和识别借款人潜在的违约风险,是金融机构信用风险管理的基础和重要环节,用一套科学的模型和系统来判定贷款违约的风险性可以将风险最小化和利润最大化。

1.2 数据集

数据集在../dataset 目录下,train.csv 为训练集数据,包含 120000 条数据&#x

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
信用风险的评估是银行风险管理的核心内容,世界银行对全球银行业危机的研究表明,导致银行破产的最常见原因就是信用风险。个人倍用评估是商业银行个人金融业务开展及信贷审批的关键环节,是个人信用风险管理的核心。对个人信用进行科学量化,建立起完善的个人信用评估体系及&动化的信用评估系统,足商业银行提高经营效益的迫切需要。通过对个人进行科学的信用评估,可以正确识别个人信用风险,促进信用资源的优化配置,BP神经网络方法是一种具有自组织、自适应、自学习特点的非参数方法,它对样本数据的分布要求不严格,不仅具有非线性映射能力,而且还有较髙的预测精度,这些都促使BP祌经网络在信用风险评佔领域取得长足的发展,支持向量机(SVM)是一种机器学算法,通过训练有限样本获得一个最小误差分类器,建立在此基础上的分类器具有很好的分类和推广泛化能力,从而可以对测试样木实现正确的分类。支持向量机能够出色的解决小样本、非线性、高维数的复杂问题。本文利用公开数据集,建立了个人信用指标体系,并建立基于BP祌经网络和SVM个人信用评估模型。通过比较发现,BP神经网络和SVM个人信lff评估方面效果较好,且SVM稳健性更高。而当两类样本数相差较人时,SVM表现出更好的预测精度。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

计算机毕设论文

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值