类别不平衡的集成学习预测P2P网贷信用风险

国内的P2P网贷行业经监管整治后呈现出越来越重视线上风控的趋势,机器学习等技术被广泛应用于构建信用评价体系。而违约的和正常还款的样本类别不平衡是建模的一大难点,有针对性地构建了一种比例平衡的随机森林模型(Ratio-balanced Random Forest)。模型对多数类进行多次欠采样,和少数类合并生成多个比例均衡的样本子集,再融合随机子空间添加属性扰动,最后利用随机森林构建集成的分类器模型。在拍拍贷真实借贷数据集上与机器学习单模型、集成模型和平衡的集成模型三类方法做对比实验,结果验证了该模型的有效性,并指出平衡的集成模型方法在解决不平衡分类问题上的优越性。

基于数据挖掘和RandomForest算法的助学金分类研究

在普及高等教育的过程中,发放助学金作为帮助贫困学生完成学业的重要手段之一。目前国内高校的助学金发放准则存在一定的问题,因此如何在高校缺乏学生的真实家庭情况以及助学金的金额有限的背景下,将助学金发放到最需要帮助的学生手上成为亟待解决的问题。文章以某高校大学生一卡通脱敏数据为原始数据,采用大数据挖掘技术和机器学习算法等AI技术进行拟合训练,以期有效预测需要帮助的学生,发挥助学金的作用。