通过使用通信运营商提供的大规模数据，本文基于融合 LightGBM 算法对运营商用户信用评估模型进行了研究，首先通过数据预处理和特征工程方法提取与用户评估相关的关键特征，构建具有统计学意义的多维特征集合；然后，使用线性回归、决策树、LightGBM 等机器学习算法构建多个基础模型，找出最佳基础模型；最后，整合平均、投票、混合、堆叠等集成算法，优化多个融合模型，最终建立适用于运营商用户评估的最佳融合模型。

Mar, 2024

本研究利用机器学习模型对信用卡违约进行预测，通过一系列实验和数据处理技术，结果表明多层感知器神经网络（MLP）在预测信用卡违约和评估潜在风险方面表现优越，帮助银行等金融机构更早地预测贷款违约。

Oct, 2023

该研究使用机器学习模型，对埃塞俄比亚一家私人银行提供的数据进行分析，发现 XGBoost 模型在 KMeans SMOTE 过采样数据上取得了最高的 F1 分数，而评估信贷风险时，申请人的年龄、就业年限和总收入等因素比抵押相关的因素更为重要。

Aug, 2022

在消费借贷领域，准确的信贷违约预测是风险缓解和借贷决策优化的关键要素，本研究通过引入创新方法挑战传统模型，构建了一个由 LightGBM、XGBoost 和 LocalEnsemble 模块组成的集成方法框架，通过利用独特的特征集直接解决了之前研究中的局限性，旨在为信贷违约预测准确性建立新的标准，实验证明了集成模型在数据集上的有效性，为推动信贷违约预测模型的准确性和稳健性树立了先例。

Feb, 2024

这篇文章针对金融服务公司中的信用风险管理问题，对比了深度学习和梯度增强机在不同特征数据集上的表现，结果发现梯度增强机更为强大、运算速度更快，在大多数情况下是信用评分的最佳解决方案。

May, 2022

该研究探讨了基于梯度提升决策树、超参数配置和地理位置信息的银行卡使用的检测方法，在任务一上取得了最好的表现，在任务二上取得了第四的好成绩。

Oct, 2016

本文旨在探究如何使用聚类方法和机器学习算法，包括自然语言处理（NLP），通过验证报告中所包含的文本信息，来识别和分类信用风险模型中存在的问题。作者使用了嵌入式生成以及四个不同的预训练模型来分析 645 个所得发现的标题和观察结果，并使用各种聚类方法来将具有相似特征的发现进行分组，从而更有效地识别和分类每个验证维度和严重程度中存在的常见问题。在分析结果中，作者证明了聚类和机器学习可以有效地分析验证报告中的文本信息，并提供了信用风险模型开发和验证中遇到问题的洞见。

Jun, 2023

通过利用借款人在贷款申请过程中提供的文本描述，本文提出了一种新颖的方法来解决信息不对称的挑战。我们运用大型语言模型（LLM）来处理这些文本描述，通过转移学习将 LLM 适应到特定的任务中，从而显著改善信用风险分类器的性能。然而，基于 LLM 的系统的内在不透明性以及潜在偏见的不确定性，凸显了对监管框架的重要考虑和用户信任相关的担忧，并在 P2P 借贷和人工智能的动态领域中开辟了新的研究途径。

Jan, 2024

在这篇文章中，我们研究了数据预处理任务的影响，并比较了三种集成增强树方法来预测心肌梗塞患者的死亡风险。此外，我们采用树 Shapley 加性解释方法，来识别执行预测所涉及特征之间的关系，利用所有可用数据进行分析。值得注意的是，我们的方法在与其他现有机器学习方法的比较中取得了卓越的性能，LightGBM 在无数据预处理的情况下的 F1-score 为 91.2％，准确度为 91.8％。

Apr, 2024

心血管疾病与吸烟、血压升高和胆固醇水平的关联突出了这些危险因素的重要性。本研究使用六种不同的机器学习模型进行比较分析：Logistic 回归、支持向量机、决策树、包装法、XGBoost 和 LightGBM。结果表明，XGBoost 作为表现最佳的模型，显示了提高冠状动脉梗塞预测精确性的潜力。

Nov, 2023