使用迁移学习进行金融小样本风控实践(基于tradaboost进行个贷违约迁移学习比赛)

Posted shiter

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了使用迁移学习进行金融小样本风控实践(基于tradaboost进行个贷违约迁移学习比赛)相关的知识,希望对你有一定的参考价值。

文章大纲


背景

个人信用贷款是银行或其它金融机构向资信良好的借款人发放的无需提供担保的人民币信用贷款。在银行申请个人贷款,银行对贷款资金的用途是有要求的。
一般银行会规定贷款申请人不得将贷款资金用于银监会明令禁止的生产、经营、投资领域,借款人需要提供资金用途证明或者用途声明。

背景
 为进一步促进金融普惠的推广落地,金融机构需要服务许多新的客群。银行作为对风险控制要求很高的行业,因为缺乏对新客群的了解,对新的细分客群的风控处理往往成为金融普惠的重要阻碍。如何利用银行现有信贷行为数据来服务新场景、新客群成了一个很有价值的研究方向,迁移学习是其中一个重要手段。

tradaboost

传统的机器学习有一个基本假设:

训练和测试数据应该在同一个分布下。 然而,在许多情况下,这个相同的分布假设并不成立。当来自一个新域的任务出现时,该假设大概率fail,而只有来自类似旧域的标记数据才能较好的辅助模型。

标记新数据可能会很麻烦,而且这也会浪费对旧数据的资源。迁移学习框架,称为TRadaBoost,它扩展了基于Boosting的学习算法。

TradaBoost允许用户利用

以上是关于使用迁移学习进行金融小样本风控实践(基于tradaboost进行个贷违约迁移学习比赛)的主要内容,如果未能解决你的问题,请参考以下文章

使用迁移学习进行金融小样本风控实践 ---- 原理简介

基于lightgbm的金融风控算法实践(Python版)

【金融风控】风险模型评价指标

基于机器学习与深度学习的金融风控贷款违约预测

基于机器学习与深度学习的金融风控贷款违约预测

数据挖掘实践(金融风控):金融风控之贷款违约预测挑战赛(下篇)[xgboots/lightgbm/Catboost等模型]--模型融合:stackingblending