基于XGBoost的贷前逾期识别模型及可解释性研究.pdf

此“经济”领域文档为创作者个人分享资料，不作为权威性指导和指引，仅供参考

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

中小企业管理与科技

ManagementTechnologyofSME

基于XGBoost的贷前逾期识别模型及可解释性研究

李嘉培，马咏莉

（郑州科技学院，郑州450064）

揖摘要铱当前互联网经济迅速发展，网络信贷规模不断扩大，贷前识别作为网贷平台风控的重要一环，也成为大家研究的热点问题。

论文将集成学习算法XGBoost应用于识别客户贷前逾期风险的问题，选取P2P平台LendingClub数据库中2019年的贷款记录为研

究样本，选取12个变量构建贷前预测模型，并引入了SHAP解释框架对模型进行可视化表达，并将最终的结果与XGBoost模型输出

的特征重要性作比较，进一步对模型结果进行解释，可以帮助贷款平台更好地进行客户贷款风险判断，从而降低逾期风险。

揖关键词铱贷前逾期预测；机器学习；XGBoost；SHAP解释框架

揖中图分类号铱F830.5；F713.36揖文献标志码铱A揖文章编号铱1673-1069（2024）02-0050-03

有唯一对应的标签y，则定义数据集D={（x，y）}，D=n。其

1引言ii

表示第

中x=[x，x，…，x]是m维数组，i个样本的m个特

随着经济社会的发展，我国信用贷款市场规模不断扩ii1i2im

大，P2P网贷模式日益兴起。对于网贷平台，风控非常重要，征，y为第i个样本对应的标签。假设该模型共需迭代K次，i

而贷前逾期识别又是风控中的关键环节，因此对于网贷平台则目标函数如下：

而言，信贷逾期预测模型的重要性不言而喻。（t）赞

L=L[y，f（x）]=l（y，）+赘（f）y（1）

t移ii移k

构建预测模型的方法主要有两类：一类是运用统计分析i=1k=1

[1][2]2.2目标函数优化

的方法，如线性回归、Logistics回归；另一类是基于机器学

[3][4]

安全评价师持证人

该用户很懒，什么也没介绍

咨询Ta 进入空间

领域认证该用户于2023年09月13日上传了安全评价师

更多 >