基于數(shù)據(jù)挖掘的個(gè)人信用風(fēng)險(xiǎn)評(píng)估單一模型與集成模型的研究.pdf

1、個(gè)人信用是集體信用和國(guó)家信用的基礎(chǔ)，代表一個(gè)人遵守約定的程度，影響著社會(huì)和他人對(duì)其的信任度。建立個(gè)人信用風(fēng)險(xiǎn)評(píng)估系統(tǒng)能在一定程度上降低銀行的信貸風(fēng)險(xiǎn)，提高銀行市場(chǎng)競(jìng)爭(zhēng)力。在我國(guó)，個(gè)人信用制度的建立是從2000年起步，典型方法要求申請(qǐng)人填寫一個(gè)表格，根據(jù)預(yù)定義的計(jì)分表評(píng)分每個(gè)指標(biāo)，銀行直接確定是否接受申請(qǐng)人的請(qǐng)求。得分表中每一項(xiàng)的分?jǐn)?shù)僅根據(jù)專家的主觀經(jīng)驗(yàn)給出，因此并不是那么的公平可靠。此外，若要修改某條評(píng)分條件再調(diào)整得分表是很麻煩的。因此

2、，銀行要降低信貸風(fēng)險(xiǎn)、發(fā)展個(gè)人信貸業(yè)務(wù)，必須科學(xué)而有效的對(duì)個(gè)人信用風(fēng)險(xiǎn)狀況進(jìn)行評(píng)估。
　　本文所完成的主要工作如下:
　　利用統(tǒng)計(jì)模型（C4.5決策樹、樸素貝葉斯）和非統(tǒng)計(jì)模型（SVM和BP神經(jīng)網(wǎng)絡(luò)）建立個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型，對(duì)它們進(jìn)行比較分析，在三個(gè)UCI數(shù)據(jù)集上采用分類準(zhǔn)確率、模型穩(wěn)定性和可解釋性三個(gè)指標(biāo)來評(píng)價(jià)幾個(gè)模型的分類效果。實(shí)驗(yàn)結(jié)果表明:SVM模型的總分類精度最高(82.65％)，第二類錯(cuò)誤率最低(14％)，但其穩(wěn)

3、定性最差;BP神經(jīng)網(wǎng)絡(luò)模型除了穩(wěn)定性略優(yōu)于SVM，其余的性能均比SVM差;樸素貝葉斯模型的平均總精度變化最小(3.7％)，穩(wěn)定性最佳，但分類精度最低，第二類錯(cuò)誤率最高;C4.5模型在分類精度和穩(wěn)定性上的表現(xiàn)都不是最出色，對(duì)于可解釋性來說，統(tǒng)計(jì)模型占有絕對(duì)的優(yōu)勢(shì)。綜上所述，現(xiàn)有的信用風(fēng)險(xiǎn)評(píng)估模型都各有特點(diǎn)，但沒有任何一種模型能讓各個(gè)統(tǒng)計(jì)量都達(dá)到較高的水平。
　　利用集成思想在三個(gè)信用數(shù)據(jù)集上構(gòu)建了同態(tài)并行結(jié)構(gòu)集成模型（bagging

4、集成和boosting集成）和異態(tài)并行結(jié)構(gòu)集成模型。實(shí)驗(yàn)表明使用集成思想能有效提高單一分類模型分類精度和穩(wěn)定性。對(duì)于同態(tài)集成算法，使用bagging集成后模型的分類精度高于boosting集成;使用bagging集成和boosting集成模型兩者穩(wěn)定性效果相當(dāng);使用boosting集成后模型第二類錯(cuò)誤率比使用bagging集成低。對(duì)于異態(tài)集成算法，調(diào)參前使用集成模型比單一模型的分類精度高4％，調(diào)參后集成模型相比于單一模型分類精度提高了2