基于灰色關(guān)聯(lián)度與改進(jìn)SMOTE的支持向量機(jī)建模與應(yīng)用.pdf

1、隨著信貸行業(yè)的迅速發(fā)展和數(shù)據(jù)挖掘技術(shù)的不斷進(jìn)步，傳統(tǒng)人工完成的信用風(fēng)險(xiǎn)評(píng)估工作正逐步被大數(shù)據(jù)背景下的機(jī)器學(xué)習(xí)所代替。作為一種有效的分類工具，支持向量機(jī)通過(guò)對(duì)歷史樣本的學(xué)習(xí)，可在短時(shí)間內(nèi)構(gòu)建出一個(gè)分類模型，用于對(duì)新樣本所屬類別的判定。嚴(yán)格的數(shù)學(xué)推理和扎實(shí)的統(tǒng)計(jì)學(xué)基礎(chǔ)，使其被越來(lái)越多的專家和學(xué)者所接納，同時(shí)被廣泛應(yīng)用于工業(yè)生產(chǎn)、文本識(shí)別、圖像分析、入侵檢測(cè)、廣告推薦、管理評(píng)估、金融保險(xiǎn)、醫(yī)療診斷、生命科學(xué)等諸多領(lǐng)域。
　　然而在現(xiàn)現(xiàn)實(shí)

2、生活中，分類問(wèn)題中的數(shù)據(jù)復(fù)雜性不斷增加，如噪聲樣本對(duì)正常分類的干擾、非均衡數(shù)據(jù)帶來(lái)的分類傾向性改變，這些問(wèn)題的存在使得經(jīng)典支持向量機(jī)分類精度下降。為了更好地將支持向量機(jī)應(yīng)用于實(shí)際問(wèn)題當(dāng)中，需要結(jié)合支持向量機(jī)自身性質(zhì)，充分考慮噪聲樣本和非均衡數(shù)據(jù)給分類結(jié)果帶來(lái)的影響，深入分析分類精度下降的原因，從而有針對(duì)性地對(duì)經(jīng)典支持向量機(jī)模型加以改進(jìn)，進(jìn)一步拓寬支持向量機(jī)的理論價(jià)值和應(yīng)用價(jià)值。
　　本文系統(tǒng)地研究了經(jīng)典支持向量機(jī)的相關(guān)理論及其性質(zhì)

3、，針對(duì)支持向量機(jī)中的噪聲問(wèn)題和數(shù)據(jù)非均衡問(wèn)題分別進(jìn)行了討論，并提出同時(shí)解決噪聲和非均衡數(shù)據(jù)的改進(jìn)支持向量機(jī)算法，將其應(yīng)用到小額貸款公司客戶信用風(fēng)險(xiǎn)評(píng)估的實(shí)際案例當(dāng)中，違約客戶識(shí)別率有所提高。本文的主要研究?jī)?nèi)容如下：
　?。?）引入灰色關(guān)聯(lián)度，定義了樣本的平均灰色絕對(duì)關(guān)聯(lián)度；針對(duì)噪聲識(shí)別過(guò)程中支持向量對(duì)分類貢獻(xiàn)被削弱的問(wèn)題，提出了基于同類中心和異類中心雙參照點(diǎn)的噪聲判別方法；給出新的隸屬度函數(shù)設(shè)置具體步驟。
　　（2）針對(duì)傳統(tǒng)

4、SMOTE算法在處理非均衡數(shù)據(jù)時(shí)對(duì)全部少數(shù)類樣本操作的問(wèn)題，提出僅對(duì)錯(cuò)分樣本人工合成的改進(jìn)思想；引入Random-SMOTE算法，改善新合成樣本的分布情況；給出具體非均衡數(shù)據(jù)下的改進(jìn)支持向量機(jī)算法流程。
　?。?）分析了在使用SMOTE過(guò)程中噪聲對(duì)分類結(jié)果的影響；提出一種新型支持向量機(jī)算法，首先使用雙參照點(diǎn)灰色關(guān)聯(lián)度的噪聲判別方法對(duì)樣本進(jìn)行篩選，再通過(guò)改進(jìn)SMOTE算法合成新樣本；給出組合算法的流程。
　?。?）研究了小額貸