风控经典算法比较：基于Boosting旗下的算法

anbo650370

互联网消费信贷放贷规模涨势迅猛,风控能力将是一个机构能否在大浪潮中持续发展业务站稳脚跟的决定性因素。在有效的指标体系和机器学习算法的支撑下完成风控模型的构建和评估,提升风控模型的适应性和准确性,是探索互联网信贷风控的重要方向。本文针对互联网消费信贷风控问题进行深入研究,阐述其发展现状,突出风控模型的重要性,分析大数据下互联网消费信贷风控指标体系,将指标分为六个方向四个维度,建立指标分析流程。并且利用本文挖掘的手段对文本型指标进行分词后转换成TDM矩阵投入层次聚类,使得原本无法利用的数据字段转换为衍生指标后,有效的支撑起风控模型,增强模型对用户风险判断的准确性。重点研究了Boosting方法中的AdaBoost、GBDT及XGBoost算法在风控模型的中的运用。并且利用真实互联网消费信贷数据进行实证,对比随机森林算法,在四种不同算法下,分别建立预测借款人风险程度的风控模型,最后评估各算法的效果,验证了Boosting方法在风控上有一定优势,得出重要性较强的指标,为互联网消费信贷机构建立风险控制模型提供参考。