基于机器学习的个人信用卡违约预测模型研究

利用个人历史信用卡行为数据对用户是否会违约进行预测一直是金融领域比较关注的热点问题。本文对数据进行预处理,并针对样本不平衡性采取SMOTE过采样算法。利用LR、SVC、DT、RF等机器学习方法合理建立违约预测模型。实验结果表明,使用XGBoost算法的AUC值更接近1并且准确最高为94.8%。不仅降低了个人信贷风险,而且也为银行等金融服务机构预测客户违约概率提供了参考。