合奏方法：使用 LightGBM、XGBoost 和 LocalEnsemble 进行信用违约预测的创新

Feb, 2024

合奏方法：使用 LightGBM、XGBoost 和 LocalEnsemble 进行信用违约预测的创新

Ensemble Methodology:Innovations in Credit Default Prediction Using LightGBM, XGBoost, and LocalEnsemble

Mengran Zhu, Ye Zhang, Yulu Gong, Kaijuan Xing, Xu Yan...

TL;DR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。

Abstract

In the realm of consumer lending, accurate credit default prediction stands as a critical element in risk mitigation and lending decision optimiz

credit default prediction risk mitigation lending decision optimization ensemble methods framework accuracy

发现论文，激发创造

信用卡评分预测基于机器学习模型的新数据集

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

基于 LightGBM 和特征工程的高效商业银行客户信用风险评估

本文基于 Kaggle 中一家外国商业银行的客户信息数据集，使用 LightGBM 算法构建分类器对客户进行分类，以帮助银行判断客户信用违约的可能性。通过特征工程处理，如缺失值处理、编码、不平衡样本等，极大地提高了机器学习效果。本文的主要创新在于在原始数据集的基础上构建了新的特征属性，使分类器的准确率达到了 0.734，AUC 达到了 0.772，超过了许多基于相同数据集的分类器。该模型可以为商业银行的信用授予提供一些参考，同时也为其他类似研究提供了一些特征处理的思路。

Aug, 2023

运用 LightGBM 算法进行运营商用户信用评估研究

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

高级支付安全系统：XGBoost、CatBoost 和 SMOTE 集成

利用 XGBoost 和 LightGBM 等机器学习模型，通过应用先进的机器学习模型和数据处理技术，本研究开发了一种更准确、更稳健的支付安全保护模型，有效提升了交易欺诈预防的能力。

Jun, 2024

深度学习与梯度提升：信用评分领域最先进机器学习算法的基准测试

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

自然语言处理数据集机器学习模型评估与特征重要性分析

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

将基于机器学习的早期败血症检测扩展到不同人群

本研究使用公共 eICU-CRD 数据集和韩国圣玛丽医院的私人数据集，对 LightGBM 和 XGBoost 两种集成学习方法进行比较分析，发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言，LightGBM 在计算效率和可扩展性方面略胜一筹。该研究为机器学习在危重护理中的广泛应用铺平了道路，从而全球扩展了预测分析在医疗保健中的应用。

Nov, 2023

针对网络入侵检测数据集特征调整的集成分类器设计

本文针对 UNSW-NB15 数据集的类不平衡和特征空间中的类重叠问题，提出了一种机器学习分类器的数据驱动设计和性能评估方法，其中使用 Balanced Bagging、eXtreme Gradient Boosting、Hellinger Distance Decision Tree 等集成方法来解决不平衡数据问题，提出了两种新的算法来解决类重叠问题，并提高了测试数据的分类性能。实验证明，相比已有技术，该方法在二元和多种情况下均有显著优势。

May, 2022

一种新的决策集成框架：用于股票价格预测的定制化注意力 - BiLSTM 和 XGBoost

提出了一个新的框架 CAB-XDE，用于预测比特币 BTC-USD 的每日收盘价，该框架整合了自定义的双向长短期记忆网络 (BiLSTM)、注意力机制和 XGBoost 算法，效果优于现有模型，指标包括 MAPE 为 0.0037、MAE 为 84.40 和 RMSE 为 106.14。

Jan, 2024

可解释的 LightGBM 预测心肌梗死死亡率

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