個(gè)人信用評(píng)估模型比較研究與模型實(shí)現(xiàn).pdf

1、本文將建立個(gè)人信用評(píng)估的量化模型。針對(duì)個(gè)人信用評(píng)估問(wèn)題，我們探討了模型建立與實(shí)現(xiàn)過(guò)程中的一些問(wèn)題。模型建立前的數(shù)據(jù)預(yù)處理是提高模型效果必不可少的環(huán)節(jié)，通過(guò)計(jì)算各個(gè)評(píng)估指標(biāo)變量的優(yōu)勢(shì)率進(jìn)行了一元探索性數(shù)據(jù)分析并識(shí)別指標(biāo)變量與信用類(lèi)別變量之間的關(guān)聯(lián)性，然后利用這種關(guān)聯(lián)性選取個(gè)人信用評(píng)估指標(biāo)，結(jié)果顯示它能使標(biāo)準(zhǔn)C-SVM的分類(lèi)正確率提高2.1139個(gè)百分點(diǎn)；另外，采用主成分分析法選取指標(biāo)，發(fā)現(xiàn)后者提高的幅度要稍微好一些，達(dá)3.2362個(gè)百分點(diǎn)

2、，但兩者提高的幅度均不是很大。為了進(jìn)一步提高分類(lèi)效果，采用KNN法對(duì)樣本集中的異常數(shù)據(jù)進(jìn)行了清洗，發(fā)現(xiàn)經(jīng)過(guò)清沈后標(biāo)準(zhǔn)C-SVM的分類(lèi)正確率有很大幅度的提高，達(dá)7.92135個(gè)百分點(diǎn)。在數(shù)據(jù)預(yù)處理的基礎(chǔ)上，我們分別采用BP神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)和支持向量分類(lèi)機(jī)方法建立個(gè)人信用評(píng)估的分類(lèi)模型，并測(cè)試了它們?cè)跀?shù)據(jù)預(yù)處理各個(gè)階段的分類(lèi)效果，從實(shí)驗(yàn)結(jié)果來(lái)看，支持向量分類(lèi)機(jī)的效果均是最優(yōu)的，而且它還能很好地處理兩類(lèi)誤分代價(jià)不同的情況，具有很好的靈活