Ứng dụng mô hình stacking kết hợp smote và tối ưu hóa Bayesian đánh giá rủi ro tín dụng

Nghiên cứu này áp dụng mô hình stacking để đánh giá rủi ro tín dụng, kết hợp dự đoán từ nhiều mô hình học máy khác nhau, bao gồm XGBoost, Random Forest, và CatBoost. Một mô hình meta, hồi quy logistic, được sử dụng để tối ưu hóa dự đoán từ các mô hình cơ sở để đưa ra dự đoán.

Từ khóa: Dự đoán rủi ro tín dụng, Đánh giá rủi ro tín dụng, Học máy tổ hợp, Tối ưu hóa Bayesian, Phân tích tín dụng