随着人工智能技术的发展,学术界越来越重视和机器学习相关的各方面研究,各个行业也开始使用机器学习技术为业务赋能。传统的机器学习方法通常是基于数据分布平衡的假设,而在实际应用场景中数据分布不平衡的问题经常出现,导致传统机器学习方法性能受到一定影响。针对该问题,不平衡学习这一课题被提出并且在不平衡数据集上取得了令人满意的性能。信用评分业务是不平衡学习重要应用场景之一,在信用评分中,机器学习模型被用来预测客户的信用资质好坏,其优点在于能快速对客户信用做出预测来辅助业务决策,在构建客户画像,风险控制,营销业务中起到了很大作用,但是受到信用评分业务的复杂性和异构数据的存在等因素影响,信用评分场景下的数据不平衡问题成为比较具有挑战性的研究课题。近些年来,信用评分场景下的不平衡机器学习方法主要包括采样方法,代价敏感方法,不平衡集成分类方法等,这些方法在信用评分场景中已经取得了比较好的表现,但是仍然存在着相应局限性,主要表现在:1.采样方法通常缺乏对样本分布的优化,其中基于稀疏采样的方法通常会丢失部分有用信息;2.部分不平衡算法比如代价敏感方法对于噪音样本和离群点十分敏感,性能不是很稳定;3.不平衡集成分类方法通常缺乏自适应优化机制,而且较少考虑到样本和特征空间的组合优化等。根据上述方法存在的局限性,本文提出了一种适用于信用评分场景下的自适应多目标优化集成分类方法。该方法的创新点在于:1.在过采样方法中引入了粒子群优化算法进一步优化采样后的样本分布,使得过采样后的样本分布更加接近原始数据分布;2.将样本维度优化和特征维度优化同时引入到集成学习框架,在对样本进行优化后,引入多目标优化算法结合信用评分场景的常用评价指标对随机特征子空间进行优化,然后训练子分类器并对分类结果进行集成以提高模型性能;3.设计一种自适应优化策略来优化分类器集合,借鉴强化学习反馈机制来更新对应特征子空间内分类器被采样的概率,最终得到更优的分类器集合。实验部分对算法的关键技术做了详细的对比试验,并且通过数据可视化直观展示其优化效果。在真实世界信用评分数据集上的实验结果显示本文提出的算法整体性能要优于当前主流不平衡分类算法。