准确评估借款人违约状态，是个人信用风险评价的关键，也是金融机构信贷决策的重要依据。AutoGluon(AGT)框架作为一种新兴的自动机器学习模型，在表格数据处理、图像识别领域表现出优良的性能。本文开发一种基于AutoGluon框架的个人信用违约判别模型，以提高违约判别的准确性。此外，为解决金融数据类别不平衡问题，引入Class Balance Loss函数修正交叉熵，以加强模型对违约样本的识别。使用Lending club信贷数据集和拍拍贷信用数据以及UCI公布的德国、日本、澳大利亚信贷数据集，以第二类错误率、AUC和准确率为判别标准验证AutoGluon个人信用违约判别模型效果。在传统机器学习模型、Super Learner集成学习模型以及其他学者在公开数据集上的评价结果进行对比。结果表明，AutoGluon模型具有优秀的违约判别性能，并在不同的数据集上表现出稳定性。

[1]李刚,曹博雄,秦思萌,等.基于AutoGluon框架的个人违约判别方法研究[J].中国管理科学,2026,34(8):64-75.DOI:10.16381/j.cnki.issn1003-207x.2024.0800.

全文地址：https://link.cnki.net/doi/10.16381/j.cnki.issn1003-207x.2024.0800