金融机构的信贷客户风险分析是典型的分类问题,且数据不平衡问题广泛存在于信贷客户违约风险决策中,影响风险客户的有效识别。目前,国内外商业银行已广泛将机器学习和深度学习用于信贷风险分析,但两种分类模型都存在面向信贷领域不平衡数据分类场景中的不足。常规的机器学习模型虽然构造简洁、可解释性强,在金融行业中广泛应用,但模型效果没有深度学习分类模型效果优秀。而深度学习虽然具有较强的分类表现,但是其内部分类过程不可见,无法向客户说明算法运行过程的控制情况,缺少可解释性,以及极易发生过拟合。针对上述机器学习和深度学习用于信贷风险分析领域存在的问题,本文提出了一种改进的Easy Ensemble组合模型,它基于边界过采样预处理,可以有效地提高预测精度,从而更好地控制信贷违约风险。在组合模型中,对Borderline-Smote的样本形成比例进行了控制,并增加了K值寻优算法,以提高数据处理的准确性。并将改进后的预处理算法应用于新少数类样本的生成,将其输入到Easy Ensemble分类器中,以获得最终的分类结果。为了进一步提高信贷违约预测场景下的不平衡数据集分类的可解释性,考虑通过融合深度强化学习的不平衡数据分类模型设计,将多个弱分类器集成问题建模为序列决策问题,进而引入强化学习框架以构建数据到任务的信贷风险预测模型,并研究深度强化学习解决信用风险预测问题的能力,从而提高模型的违约风险预警能力和可信度。通过对四种公开信贷领域客户违约数据集的实验表明,与传统的不平衡数据分类算法Easyensemble、XGBoost、Bagging和Blance Cascade相比,本文模型DDKBSE在处理极度不平衡数据集Credicard和Bank中的F1-score值和AUC值均为五组算法中最高值。以上结果表明,在银行的信贷违约风险预测中,使用基于边界过采样预处理及融合深度强化学习的Easyensemble组合模型,可以提升处理极度不平衡的信贷数据的模型表现。本文旨在探讨基于Easyensemble组合模型和深度强化学习框架的信贷违约风险预测方法,以期为商业银行提供更加准确的个人信贷违约风险预测,从而提升商业银行风控体系的预警水平,推动国内信贷行业的发展。