基于支持向量機技術的信用風險評估模型研究.pdf

1、本文介紹信用風險評估的意義及重要性，論述了利用支持向量機(SupperVector Machine，SVM)技術及相關機器學習技術進行客戶信用評估的可行性。本文把客戶信用評估問題歸結為樣本數(shù)目不平衡、樣本誤分損失不平衡的分類問題，進而利用支持向量機技術進行求解。 本文首先對機器學習理論和技術進行了研究，包括數(shù)據(jù)預處理、屬性選擇方法、聚類算法、增量式機器學習以及不平衡類問題，然后深入研究了支持向量機的理論和技術，包括統(tǒng)計學習理論、

2、最優(yōu)化理論、核理論以及在這些理論基礎上推導的SVM分類器，包括最大間隔分類器、C-SVM和One-Class SVM。 根據(jù)支持向量機及機器學習相關理論，結合信用風險評估的實際需求，本文提出了三種適用的“基于支持向量機技術的信用風險評估模型”： 第一，提出了改進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，提高了負類預測準確率，降低了整體的誤分損失； 第二，提出了改進的基于聚類分塊的SVM信用評

3、估模型，較好地解決樣本數(shù)目不平衡問題，提高模型的預測準確率，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，結合負類增量式One-ClassSVM模型和正類One-Class SVM異常檢測模型，有效解決樣本數(shù)目嚴重不平衡，甚至只有一類訓練樣本的分類問題。 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行實驗驗證，其實驗結果是令人滿意的。在實驗過程中，提取了著名的LibSVM