TACSTechnology and Application of Computer Science2998-89262998-8934Art and Design10.61369/TACS.2025010028Article基于机器学习方法的信用风险监测实证研究https://artdesignp.com/journal/TACS/2/1/10.61369/TACS.2025010028吴方智,王睿斌,张圣凯,王愉鉴,卢靖2025212025-01-14本研究构建基于 XGBoost 的信用监测系统，通过正则化计算优化模型性能结合特征工程处理欺诈关联特征，并引入SMOTE 技术平衡样本分布。提出了 XGBoost、SMOTE 与 SHAP 模型解释融合的风控框架，建立精准欺诈特征体系验证了梯度提升算法在金融安全领域的实践优势。欺诈检测,XGBoost,机器学习,特征工程

[1] 张志强，李志强. 统计欺诈检测方法研究[J]. 统计科学，2002.17(3),235-249.[2] Phua C. 李,V, K, 与盖勒,r . 史密斯. 基于数据挖掘的欺诈检测研究综述[J].2010.arXiv 预印本arXiv:1009.6119.[3] 韩德杰，韩文杰. 消费信用评分的统计分类方法研究[J]. 皇家统计学会杂志：系列A（社会统计），1997.160(3),523-541.[4] 李建民，李建民，李建民. 随机森林[J]. 机器学习，2001.45(1),5-32.[5] 陈志强，陈志强. 支持向量网络[J]. 机器学习，2006.20(3),273-297.[6] 戴尔波佐洛，A., Caelen， O., Le Borgne， Y. A., waterschot， S.，和Bontempi， G. 基于实证分析的信用卡欺诈检测方法[J]. 专家系统与应用，2014.41(10),4915-4928.[7] 李昆，Y., Bengio， Y.，和Hinton， G. 深度学习[J]. 自然，2015.521(7553),436-444.[8] 王丹，刘强. 基于图像神经网络的欺诈交易检测[J]. 第27 届国际人工智能联合会议论文集，2018.3940-3946.[9] 李建军，李建军，李建军，等. 可解释性机器学习：一种可解释的黑箱模型[J].Leanpub.[10] 陈涛，Guestrin， C. 一种可扩展的树助推系统[J]. 第22 届ACM SIGKDD 知识发现与数据挖掘国际会议论文集，2016.785-794.[11] 刘建军，刘建军，刘建军，等. 数据挖掘技术在信用卡欺诈中的应用[J]. 决策支持系统，2008,30(3),662-663.[12] 李淑娟，李晓明，李晓明. 气候变化对气候变化的影响[J]. 神经信息处理系统的进展，2017.4765-4774.[13] 李建军，李建军，李建军，等. 可解释性机器学习：一种可解释的黑箱模型[J].Leanpub.[14] 傅友, 邹东升.SDN 中基于条件熵和决策树的DDoS 攻击检测方法[J]. 重庆大学学报,2023,46(07):1-8.[15] 张静. 基于家庭特征的个人信用风险评估研究[D]. 贵州大学,2024.DOI:10.27047/d.cnki.ggudu.2024.001048.