-
公开(公告)号：CN110472817B
公开(公告)日：2023-03-24
申请号：CN201910595039.5
申请日：2019-07-03
申请人： 西北大学
IPC分类号： G06Q10/0635 , G06Q40/03 , G06F18/214 , G06F18/2431 , G06F18/30 , G06N3/04
摘要： 本发明公开了一种结合深度神经网络的XGBoost集成信用评价系统及其方法，包括数据预处理单元、数据划分单元、特征提取单元、训练单元和结果处理单元，利用深度神经网络提取训练集中的隐藏特征，将提取出来的隐藏特征进一步作为XGBoost的输入进行训练，最后对测试集进行预测，所得预测结果为信用概率。原始数据被分为训练集和测试集，在训练集中采用装袋采样方法生成可变训练子集：每个训练子集训练深度神经网络模型，选取出最后一个隐藏层的模型，将训练集和测试集进行特征提取以获得更多隐藏特征；将获得的训练集特征再通过XGBoost进行训练，对提取的测试集特征进行预测，将不同的基分类器的预测结果进行平均获得最终分类结果。该集成方法的准确性有明显的提高。
-
公开(公告)号：CN110580268A
公开(公告)日：2019-12-17
申请号：CN201910715438.0
申请日：2019-08-05
申请人： 西北大学
摘要： 本发明公开了一种基于深度学习的信用评分集成分类系统和方法，系统包括，数据获取及预处理单元用于获取信用数据集，并进行数据预处理得到样本数据集，将样本数据集分为样本训练集和样本测试集；集成分类训练单元用于将样本训练集分别通过RNN子单元、LR子单元和XGBoost子单元进行训练，获得样本测试集分别通过每个子单元得到的预测信用概率；投票单元用于对集成分类训练单元获得的三个预测信用概率进行多数投票，若两个或以上的预测信用概率高于0.5则客户信用良好，否则客户信用不良。本发明将深度学习算法循环神经网络RNN应用到信用评分问题，将逻辑回归LR、极限梯度提升树XGBoost与循环神经网络RNN并行集成，兼顾模型的多样性和准确性，提高了模型的性能。
-
公开(公告)号：CN110472817A
公开(公告)日：2019-11-19
申请号：CN201910595039.5
申请日：2019-07-03
申请人： 西北大学
摘要： 本发明公开了一种结合深度神经网络的XGBoost集成信用评价系统及其方法，包括数据预处理单元、数据划分单元、特征提取单元、训练单元和结果处理单元，利用深度神经网络提取训练集中的隐藏特征，将提取出来的隐藏特征进一步作为XGBoost的输入进行训练，最后对测试集进行预测，所得预测结果为信用概率。原始数据被分为训练集和测试集，在训练集中采用装袋采样方法生成可变训练子集：每个训练子集训练深度神经网络模型，选取出最后一个隐藏层的模型，将训练集和测试集进行特征提取以获得更多隐藏特征；将获得的训练集特征再通过XGBoost进行训练，对提取的测试集特征进行预测，将不同的基分类器的预测结果进行平均获得最终分类结果。该集成方法的准确性有明显的提高。
-
-
搜索结果
3 条记录 (耗时 0.017 秒)
