多類分類支持向量機在信用評級領域的應用及核參數選擇研究.pdf

1、支持向量機(Support Vector Machine)是數據挖掘的新方法，也是一種小樣本統(tǒng)計工具，它在解決小樣本、非線性及高維的模式識別問題上具有其他機器學習方法難以企及的優(yōu)勢。在支持向量機二類分類方法的基礎上，本文深入研究了多類分類的算法及其應用。 巴塞爾新資本協(xié)議希望并鼓勵銀行業(yè)發(fā)展內部信用評級系統(tǒng)，如何尋找到一種客觀、可行的評級方法，如何構建內部評級系統(tǒng)，對國內銀行從業(yè)者提出了新的要求和挑戰(zhàn)。信用評級從科學的角度對信用

2、度進行定性和定量分析，其本質是一個非線性的分類問題，用支持向量機可以很好地解決。 本文在前人研究的基礎上，圍繞著支持向量機多類分類算法的改進及其在信用評級領域應用而展開。 首先，根據巴塞爾新資本協(xié)議提出的信用評級體系，建立對應的評級模型。該模型的建立將信用評級過程標準化，層次化。本文主要針對模型層進行分析，通過改進模型層的核心算法，實現不同的評級方法。 其次，將層次支持向量機、糾錯編碼支持向量機等幾種適合用于多類

3、分類的算法加以改變和優(yōu)化，使之有更好的分類效果。然后結合銀行提供的評級樣本，使用工具箱實現了機器學習和數據評估過程。最后從性能、分類效果和易實現等角度分析了這幾種多類分類算法的相對優(yōu)劣。 本文還分析了核函數的選取對支持向量機分類結果的影響，通過調節(jié)參數，對不同參數條件下的分類效果進行實驗。分析了幾種最常見核函數的性能和特點，闡述了核函數的構造和相關定理，選擇實驗所用的核函數--Gauss徑向基核函數；同時研究了Gauss徑向基核