学位论文 > 优秀研究生学位论文题录展示
基于机器学习的信用风险评估技术若干研究
作 者: 魏海周
导 师: 李建武
学 校: 北京理工大学
专 业: 计算机科学与技术
关键词: 信用风险评估 特征信用 支持向量域描述 weightly selected attribute bagging 核匹配追踪
分类号: TP181
类 型: 硕士论文
年 份: 2011年
下 载: 54次
引 用: 0次
阅 读: 论文下载
内容摘要
信用风险评估技术对于金融机构具有重要意义。机器学习技术能显著地提高信用风险评估的准确度与适应性。本文提出三种新的基于机器学习的信用风险评估模型。提出基于特征信用和支持向量域描述的信用风险评估模型。首先计算特征信用即提取信用好的客户样本的主成分,然后将所有样本映射进特征信用所张成的子空间中,信用好的客户样本在特征信用空间中分布更紧凑,最后在变换后的样本数据上用支持向量域描述建立信用风险评估模型,该模型适用于在信用数据样本分布不平衡的情况下进行信用风险评估。实验结果表明,在信用数据样本分布不平衡的情况下,基于特征信用和支持向量域描述的信用风险评估模型能较好地检测出不良贷款。提出Weightly Selected Attribute Bagging集成学习方法,并用其建立信用风险评估模型,该模型的实现分为两个步骤。首先计算各特征分量的权重,然后构造特征分量的子集,权重越大特征分量被选入特征分量子集的概率越大,将训练样本依次映射进特征子集空间,在各特征子集空间中建立子分类器,最后各子分类器投票给出最终分类结果。这样可以删除掉一些冗余特征并且可以保持子分类器之间的多样性,从而能提高集成学习的效果。实验结果表明,相比于其他集成学习方法,Weightly Selected Attribute Bagging算法能更好地提高单个分类器的分类性能。提出基于核匹配追踪算法及核匹配追踪集成的信用风险评估模型。核匹配追踪是利用贪婪算法在由核函数构成的基函数字典中搜寻一组基函数的线性组合来逼近目标函数,该基函数的线性组合即为所要求解的预测函数。核匹配追踪集成是指利用多个核匹配追踪模型来投票决定最终的分类结果。实验结果表明,核匹配追踪算法可以被应用于信用风险评估,具有精度高、训练时间短以及解的稀疏性好等优点;核匹配追踪集成可以较好地解决大规模数据集的分类问题。
|
全文目录
摘要 5-6 Abstract 6-11 第1章 绪论 11-18 1.1 研究背景 11-16 1.1.1 本论文研究的目的和意义 11 1.1.2 信用风险评估研究历史和研究现状 11-15 1.1.3 机器学习与信用风险评估 15-16 1.2 本文主要研究工作和创新点 16-17 1.2.1 本文研究方法和目的 16 1.2.2 主要研究工作简述 16-17 1.2.3 创新点 17 1.3 论文组织结构 17-18 第2章 基于 EIGENCREDITS 和 SVDD 的信用风险评估模型 18-27 2.1 模型简介 18-19 2.2 Eigencredits 19-21 2.2.1 Eigencredits 的概念 19-20 2.2.2 Eigencredits 的计算 20-21 2.3 Support Vector Data Description(SVDD) 21-24 2.3.1 训练集只包含正类样本的SVDD 21-23 2.3.2 训练集包含正类样本和负类样本的SVDD 23-24 2.4 实验 24-26 2.4.1 在完整数据集上的实验 25 2.4.2 在包含少部分负类样本集上的实验 25-26 2.5 小结 26-27 第3章 基于 WEIGHTLY SELECTED ATTRIBUTE BAGGING 算法的信用险评估模型 27-50 3.1 模型简介 27-28 3.2 相关方法简介 28-30 3.2.1 基于数据分划的集成学习方法 28-29 3.2.2 基于特征分划的集成学习方法 29-30 3.3 Weightedly Selected Attributes Bagging (WSAB) 30-36 3.3.1 评估特征的权重 30 3.3.2 用线性支持向量机(LSVM)来评估特征的权重 30-34 3.3.3 用主成分分析(PCA)来评估特征的权重 34-35 3.3.4 Weightedly Selected Attributes Bagging 35-36 3.4 实验 36-48 3.4.1 用线性SVM 评估各特征分量的权重 37-39 3.4.2 用PCA 评估各特征分量的权重 39-40 3.4.3 特征子集的大小对AB 模型的影响 40-45 3.4.4 WSAB 方法和传统的集成分类模型之间的比较 45-48 3.5 小结 48-50 第4章 基于 KMP 的信用风险评估模型 50-61 4.1 模型简介 50-51 4.2 核匹配追踪 51-54 4.2.1 匹配追踪算法 51-52 4.2.2 基于后系数调整的匹配追踪算法 52-53 4.2.3 核匹配追踪算法 53 4.2.4 误差函数的选择 53-54 4.2.5 基于核匹配追踪的分类器 54 4.3 核匹配追踪算法集成 54-57 4.4 实验 57-60 4.4.1 单个核匹配追踪算法的性能 57-59 4.4.2 核匹配追踪集成算法的性能 59-60 4.5 小结 60-61 结论 61-62 参考文献 62-66 攻读学位期间发表的论文与研究成果清单 66-67 致谢 67
|
相似论文
- B to B电子商务交易风险评价模型研究,F713.36
- 基于神经网络与证据理论的商业银行信用风险评估,F830.33
- 数据挖掘技术在商业银行客户信用风险评估中的应用研究,F224
- 高新技术企业信用风险管理研究,F275
- 我国商业银行信用风险管理研究,F832.33
- 基于粗糙集和神经网络的中小企业信用评估体系及模型的研究,F276.3
- 农村信用社改革前后的农户行为分析,F832.35
- 长沙银行信用风险评估系统研究,F832.3
- 基于智力资本的企业信用风险评估研究,F272;F224
- 消费贷款中信用风险的评估研究,F832.4
- 商业银行信用风险的Copula-Bayes评估模型,F832.33
- 商品流通企业的信用风险评估体系研究,F203;F224
- 基于SVDD和参数辨识的模拟电路故障诊断方法研究,TN710
- 风险价值、宏观压力测试与银行信用风险评估,F224
- 基于样本约简的支持向量机,TP18
- 可中断负荷管理的激励机制研究,TM73
- 我国上市公司信用风险评估研究,F832.51
- 基于信用风险评估的融资租赁定价研究,F224
- 工行大连分行个人住房贷款信用风险评估研究,F832.4
- 基于神经网络的商业银行个人信用风险评估模型的研究,F224
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 自动推理、机器学习
© 2012 www.xueweilunwen.com
|