基于变量选择思想与元学习的信用评估集成模型研究

由于集成模型相比单一模型具有更高的准确性和稳健性而在信用评估领域中受到广泛关注。然而选择哪些单一模型作为基模型是关系到集成效果好坏的一个重要因素。本文提出了一种基于变量选择思想的基模型筛选方法,即从备选的单一模型中,利用基于相关性变量选择方法（CFS）筛选出合适的模型作为构建集成模型的基模型,通过这种方法选择的基模型,既保证了基模型具有较高的预测精度,又保证了基模型之间具有较大的差异性。在此基础上,通过堆栈集成结构方式,采用元学习策略方法,将所选基模型有效地融合在一起,构建了一个改进的信用评估集成模型。通过在不同信用数据集上的实验,验证了所提出集成模型的有效性和稳健性。同时,本研究成果也给学界和业界相关研究及决策提供了一种有益的思路和参考。