[发明专利]基于过采样与随机森林的不平衡信贷用户分类方法

权利要求书

1.一种基于过采样与随机森林的不平衡信贷用户分类方法，其特征在于，包括：

步骤一：在数据清洗阶段，首先进行了探索性数据分析，对数据集中的缺值进行处理，并对数据集进行特征工程；

步骤二：在数据变换阶段，采用过采样的SMOTE方法进行了处理，使训练集中违约用户和还清用户的数目接近一致,对离散型变量进行独热编码或标签编码；

步骤三：在模型训练阶段，划分训练集和测试集，建立随机森林模型进行模型训练，并进行参数调节，给出最优参数；

步骤四：用该所述随机森林模型模型对测试集的用户进行预测，并给出借款人贷前特征的重要性排序。

2.如权利要求1所述的基于过采样与随机森林的不平衡信贷用户分类方法，其特征在于，所述数据集是Lending Club公开的2007-2018借贷数据集；该数据集共2260668个数据项，145个字段，标签项是loan_status，表示贷款状态，共有9种取值；对于贷款用户贷前分类，只需要保留其中的2种取值，即Fully Paid和Charged Off。

3.如权利要求1所述的基于过采样与随机森林的不平衡信贷用户分类方法，其特征在于，“对数据集中的缺值进行处理”，具体包括：字段缺失超过70％则删除该字段；字段缺失少于5％则删除含有缺值的数据项；对于连续型字段，采用中位数或平均数进行填充；对于离散型字段，采用众数进行填充。

4.如权利要求1所述的基于过采样与随机森林的不平衡信贷用户分类方法，其特征在于，“数据集进行特征工程”中，若变量的缺失率大于0.9或iv值小于0.05或相关性高于0.7时，该变量将被删除。

5.如权利要求1所述的基于过采样与随机森林的不平衡信贷用户分类方法，其特征在于，“对数据集中的缺值进行处理”和“对数据集进行特征工程”之间还包括对数据集进行业务理解，所述数据集进行业务理解具体包括：对数据集中所有特征进行理解，对数据进行进一步清洗；删除类别较多的离散型字段，防止独热编码后特征空间过大；甄别贷后变量并删除，防止标签泄露。

6.如权利要求1所述的基于过采样与随机森林的不平衡信贷用户分类方法，其特征在于，“对离散型变量进行独热编码或标签编码；”具体包括：如果字段类别少于2个，采用标签编码进行编码；其余情况采用独热编码，将离散型字段转换为连续性字段。

7.如权利要求1所述的基于过采样与随机森林的不平衡信贷用户分类方法，其特征在于，步骤三中，利用随机搜索法得到所述随机森林模型在所述数据集上的最优参数。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。