基于SVM的滿意特征選擇及其在企業(yè)信用評估中的應用.pdf

1、信用評估是銀行貸款業(yè)務的核心工作，對貸款客戶的信用評價是否科學可靠，關系著銀行經(jīng)營的成敗。 國內(nèi)銀行的信用評估方法目前還停留在傳統(tǒng)的比例分析階段，亟需建立一套更為科學的評估模型。近年來，神經(jīng)網(wǎng)絡(NN)、支持向量機(SVM)等智能模型已被引入信用評估領域，并取得了令人鼓舞的研究性成果。但前人的研究著重于智能評估模型的建立，對評估指標體系的選定卻未作充分的探討。本文采用數(shù)據(jù)挖掘領域中的特征選擇方法，結(jié)合SVM分類技術，對評估指標的

2、選取進行了較為深入的研究，并以此為基點，對信用評估的建模方法進行了新的拓展。 本文將滿意優(yōu)化思想引入特征選擇方法中，并針對國內(nèi)銀行信用數(shù)據(jù)的特點，綜合考慮選出特征子集的維數(shù)及其在各個信用等級上的預測能力，設計了獨特的滿意特征選擇算法。為使選出的特征子集具有算法針對性及適用性，本文采用SVM交叉驗證方法評估特征子集的預測性能。通過與三種不同的特征選擇方法的比較，發(fā)現(xiàn)基于SVM的滿意特征選擇能選出維數(shù)較低、總體預測性能較高、等級間預

3、測性能較為均衡的特征子集，證實了該算法的適用性及優(yōu)越性，并最終選定了一套較為簡潔、實用的信用評估指標體系。 在此基礎上，本文還將特征選擇方法應用到建模領域，探索構(gòu)建多分類SVM組合評估模型的有效方法。對比實驗表明，基于滿意特征選擇方式的多分類SVM組合模型，在預測性能上優(yōu)于基于Bagging方法的組合、基于特征分組方式的組合、以及另外三種基于Wrapper特征選擇方法的組合，并大大好于單個多分類SVM分類器，是一種有效且高性能的