基于GA-K2算法的貝葉斯網(wǎng)絡(luò)研究及在個(gè)人信用評(píng)估的應(yīng)用.pdf

1、自人類社會(huì)進(jìn)入大數(shù)據(jù)、移動(dòng)互聯(lián)網(wǎng)時(shí)代以來，各行各業(yè)每天都被形形色色的海量數(shù)據(jù)所充斥。為了從大量數(shù)據(jù)中獲取有用信息，各種各樣的數(shù)據(jù)挖掘算法便產(chǎn)生了。貝葉斯網(wǎng)絡(luò)作為一種數(shù)據(jù)挖掘算法，通過有向無環(huán)圖和條件概率表形象地反映了變量之間的相互依賴關(guān)系，是一種研究不確定性知識(shí)的圖形推理方法。由于貝葉斯網(wǎng)絡(luò)擁有較強(qiáng)的貝葉斯理論基礎(chǔ)以及容易理解的圖形模式，在很多領(lǐng)域都得到了廣泛的應(yīng)用。在個(gè)人信用評(píng)估中，如何通過大量的消費(fèi)者信息數(shù)據(jù)來評(píng)估個(gè)人信用，以此對(duì)消

2、費(fèi)者進(jìn)行分類，已經(jīng)成為銀行等金融機(jī)構(gòu)十分關(guān)注也十分重視的問題。一個(gè)好的信用評(píng)估模型能使銀行的信貸業(yè)務(wù)正常運(yùn)轉(zhuǎn)，促進(jìn)經(jīng)濟(jì)增長(zhǎng)。因此本文結(jié)合德國(guó)和澳大利亞信用數(shù)據(jù)將貝葉斯網(wǎng)絡(luò)分類模型用于個(gè)人信用評(píng)估方面。
　　本文考慮貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法中經(jīng)典的K2算法難以確定輸入節(jié)點(diǎn)順序的問題，利用遺傳算法（GA）的全局尋優(yōu)能力并將其與K2算法相結(jié)合，構(gòu)造了以分類準(zhǔn)確率為目標(biāo)的GA-K2算法。以德國(guó)和澳大利亞信用數(shù)據(jù)集作為仿真對(duì)象，運(yùn)用GA-K2

3、算法構(gòu)造的貝葉斯網(wǎng)絡(luò)模型對(duì)個(gè)人信用進(jìn)行評(píng)估。首先采用基于信息熵的Fayyad離散化方法將連續(xù)屬性進(jìn)行離散化處理；然后運(yùn)用K-折交叉驗(yàn)證的方法將整個(gè)數(shù)據(jù)樣本平均分為10份，取10次測(cè)試結(jié)果的平均值作為最終的結(jié)果評(píng)估模型的性能，以規(guī)避隨機(jī)性問題；最后將兩個(gè)數(shù)據(jù)集的結(jié)果都分別與貝葉斯相關(guān)模型，神經(jīng)網(wǎng)絡(luò)相關(guān)模型，支持向量機(jī)相關(guān)模型以及其他模型（K-近鄰，logistic，分類回歸樹，決策樹）的分類準(zhǔn)確率進(jìn)行比較。結(jié)果顯示本文算法構(gòu)造的貝葉斯網(wǎng)絡(luò)

4、分類器的分類準(zhǔn)確率在德國(guó)信用數(shù)據(jù)集中，最高準(zhǔn)確率可達(dá)82％，平均值達(dá)到78.5%；在澳大利亞信用數(shù)據(jù)集中，最高準(zhǔn)確率可達(dá)94.2%，平均值達(dá)到91.16%，較其他算法高，并且在澳大利亞信用數(shù)據(jù)集中獲得了最低的第一、第二類誤分率。這充分說明本文算法構(gòu)造的貝葉斯網(wǎng)絡(luò)分類器的優(yōu)越性。
　　本文算法將分類準(zhǔn)確率作為目標(biāo)，將模型結(jié)構(gòu)學(xué)習(xí)、參數(shù)學(xué)習(xí)、推理分類看作一個(gè)整體來進(jìn)行優(yōu)化。這不僅解決了 K2算法中輸入節(jié)點(diǎn)的順序問題，優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)及參