借贷一直都是社会资金流动的重要方式,随着人工智能、模式识别技术的发展,多种可靠且有用的模型被用于帮助金融机构进行决策分析。但是,实际应用过程中会出现以下几个问题:第一,如何提高模型分类的准确度,这是研究领域的重点。第二,金融机构在进行决策分析时,如何考虑和同时实现多个目标。第三,模型盈利评判标准的不同会影响人们对模型盈利能力的判断。为了解决以上问题,本文将进行以下研究工作:第一、本文提出了基于Focal loss损失函数的Cat Boost(Unbiased Boosting with Categorical Features)算法,此算法通过将Focal loss损失函数嵌入到Cat Boost算法中,替换掉Cat Boost算法自带损失函数。这样不仅提升了对不容易区分的类的关注和分类模型的准确度,也降低了对容易区分的类的权重。第二、将基于Focal loss损失函数Cat Boost算法作为基分类器与带精英策略的非支配排序的遗传算法(A Fast and Elitist Multiobjective Genetic Algorithm,NSGA-Ⅱ)相结合,然后对最少的特征数目和最低的错误率作为多目标进行随机搜索,得到最佳的特征子集和相应子集下的最优错误率,最终实现金融机构的多目标的要求。第三、将最佳特征子集输入到预期最大利润(the Expected Maximum Profit,EMP)模型中来评估分类模型的盈利效果并进行分析。本文的实验数据均取自于公共数据集,第一阶段所用数据集为三个,第二阶段所用数据集为七个。第一阶段的实验结果表明,与大多数流行的分类算法相比,基于Focal loss损失函数的Cat Boost算法的分类准确度更高。第二阶段的实验结果表明,在大多数的数据集上,基于Focal loss损失函数Cat Boost算法与NSGA-Ⅱ算法的融合模型,要比基于Focal loss损失函数的Cat Boost算法与其他的多目标算法的融合模型有更好的表现。因此,金融机构可以参考本文提出的融合模型的分析结果进行决策支持。