基于支持向量機(jī)技術(shù)的信用風(fēng)險評估模型研究.pdf

1、本文介紹信用風(fēng)險評估的意義及重要性，論述了利用支持向量機(jī)(SupperVector Machine，SVM)技術(shù)及相關(guān)機(jī)器學(xué)習(xí)技術(shù)進(jìn)行客戶信用評估的可行性。本文把客戶信用評估問題歸結(jié)為樣本數(shù)目不平衡、樣本誤分損失不平衡的分類問題，進(jìn)而利用支持向量機(jī)技術(shù)進(jìn)行求解。 本文首先對機(jī)器學(xué)習(xí)理論和技術(shù)進(jìn)行了研究，包括數(shù)據(jù)預(yù)處理、屬性選擇方法、聚類算法、增量式機(jī)器學(xué)習(xí)以及不平衡類問題，然后深入研究了支持向量機(jī)的理論和技術(shù)，包括統(tǒng)計(jì)學(xué)習(xí)理論、

2、最優(yōu)化理論、核理論以及在這些理論基礎(chǔ)上推導(dǎo)的SVM分類器，包括最大間隔分類器、C-SVM和One-Class SVM。 根據(jù)支持向量機(jī)及機(jī)器學(xué)習(xí)相關(guān)理論，結(jié)合信用風(fēng)險評估的實(shí)際需求，本文提出了三種適用的“基于支持向量機(jī)技術(shù)的信用風(fēng)險評估模型”： 第一，提出了改進(jìn)的基于不同懲罰值的C-SVM信用評估模型，提出了新的C取值方法，提高了負(fù)類預(yù)測準(zhǔn)確率，降低了整體的誤分損失； 第二，提出了改進(jìn)的基于聚類分塊的SVM信用評

3、估模型，較好地解決樣本數(shù)目不平衡問題，提高模型的預(yù)測準(zhǔn)確率，對有局部聚集特性的數(shù)據(jù)集十分有效； 第三，提出了雙層One-Class SVM信用評估模型，結(jié)合負(fù)類增量式One-ClassSVM模型和正類One-Class SVM異常檢測模型，有效解決樣本數(shù)目嚴(yán)重不平衡，甚至只有一類訓(xùn)練樣本的分類問題。 最后，利用電力客戶信用數(shù)據(jù)對本文提出的三個模型進(jìn)行實(shí)驗(yàn)驗(yàn)證，其實(shí)驗(yàn)結(jié)果是令人滿意的。在實(shí)驗(yàn)過程中，提取了著名的LibSVM