XGBoost結合最佳化粒子群演算法預測信用卡客戶的繳款狀況

EasyChair Preprint 5369

Abstract

金管會統計臺灣電子支付的使用人數已經正式突破1,000萬人，行政院主計處的國情統計通報中，109年12月底信用卡總流通卡數5,012萬張，累計1~12月信用卡簽帳金額3兆196億元，其中超過3個月未繳足最低應繳的逾期帳款比率為0.15%，由此可知違約率的預測是非常重要的議題。

極限梯度提升法(Extreme Gradient Boosting, XGBoost)是一種整合性演算法，將模型中的目標函數加入參數的複雜度，並以泰勒展開式的近似方式來減少過度擬合及提升其分類效能，由於同時須調整損失函數、樹的深度及樣本的權重，是一個複雜的問題，因此本論文將使用最佳化粒子群演算法(Particle Swarm Optimization, PSO)來篩選最佳參數。信用卡客戶的違約記錄是屬於不平衡的資料，且違約率是一重要議題，但所佔的比例很少，因此無法透過準確率(Accuracy)真正呈現，本論文以準確率(Accuracy)並加入召回率(Recall)為評估的準則，在可以接受的準確率(Accuracy)範圍內，來提升召回率(Recall)。

Keyphrases: Accuracy, Extreme Gradient Boosting, Particle Swarm Optimization, Recall, credit card

@booklet{EasyChair:5369,
  author    = {Lee Jyh-Yuan and Hung Jui-Chung},
  title     = {Predicting Default Payments of Credit Card Clients by Using XGBoost with Particle Swarm Optimization},
  howpublished = {EasyChair Preprint 5369},
  year      = {EasyChair, 2021}}