基于CRT分类算法的用户画像分层模型——以银行借贷用户为例

被引：16

作者：

孙铁柱 ^{[1
]}

田琳 ^{[2
]}

机构：

[1] 长春光华学院

[2] 长春理工大学经济管理学院

来源：

情报科学 | 2020年 / 09期

关键词：

用户画像; 数据挖掘; 分类算法; CRT; C5.0;

D O I：

10.13833/j.issn.1007-7634.2020.09.012

中图分类号：

TP391.41 []; TP181 [自动推理、机器学习]; F832.4 [信贷];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ; 1201 ; 020204 ;

摘要：

【目的/意义】随着"互联网+"的推进,网络借贷市场越来越完善。由于借贷市场信息不对称导致了道德风险问题,因此对借贷用户进行风险预测有助于市场的完全竞争,促进小额借贷企业发展。【方法/过程】以access为平台搭建借贷用户的数据库对借贷用户进行画像描绘,并通过C5.0与CRT分类算法对借贷用户信息进行分类,最终实现对借贷用户风险进行预测。【结果/结论】建模后发现,影响借贷用户风险的主要分为主观因素即受教育程度以及客观因素即用户的资金能力表现为本期账单金额以及预借现金额度,通过对模型进行调整,最终实现79%的预测准确率。

引用

页码：75 / 81

页数：7

共 14 条

[1]

我国P2P网络借贷信用风险影响因素研究[D]. 欧缘媛.湖南大学 2014

[2] 基于动态用户画像标签的KNN分类推荐算法研究 [J].

张炎亮 ;

张超 ;

李静 .

情报科学, 2020, 38 (08) :11-15

[3]

123 Amazing Social Media Statistics and Facts. Smith K. https://www.brandwatch.com/blog/amazing-so-cialmedia-statistics-and-facts . 2019

[4]

Creating Evolving User Behavior Profiles Automatically. Jose Antonio Iglesias,Plamen Angelov,Agapito Ledezma. IEEE Transactions on Knowledge and Data Engineering . 2012

[5]

基于用户画像和视频兴趣标签的个性化推荐. 吴剑云,胥明珠. 情报科学 . 2020

[6]

Credit scoring models for the microfinance industry using neural networks: Evidence from Peru[J] . Antonio Blanco,Rafael Pino-Mejías,Juan Lara,Salvador Rayo. &nbspExpert Systems With Applications . 2013 (1)

[7]

Enhancing accuracy and interpretability of ensemble strategies in credit risk assessment. A correlated-adjusted decision forest proposal[J] . Raquel Florez-Lopez,Juan Manuel Ramon-Jeronimo. &nbspExpert Systems With Applications . 2015 (13)

[8]

交互设计之路[M]. 电子工业出版社 , (美)AlanCooper著, 2006

[9]

机器学习[M]. 清华大学出版社 , 周志华, 2016

[10] 贝叶斯网络在用户画像构建中的研究 [J].

张小可 ;

沈文明 ;

杜翠凤 .

移动通信, 2016, 40 (22) :22-26

← 1 2 →