基于Bagging算法的集成支持向量機在個人信用評級中的應用.pdf

1、信用在經(jīng)濟生活中有著十分重要的地位，隨著中國經(jīng)濟的發(fā)展，居民承擔金融風險的能力增強，個人消費信貸進入了一個蓬勃發(fā)展的時期，信用即是金錢的時代已經(jīng)到來.另一方面，由于中國龐大的人口基數(shù)，中國消費者的信用數(shù)據(jù)也在以爆炸式的方式增長，運用統(tǒng)計方法并結(jié)合在許多領域發(fā)揮重要作用的數(shù)據(jù)挖掘技術(shù)進行個人信用評級的前提已經(jīng)成熟.
　　在信用評級領域，傳統(tǒng)的定量分析方法不僅效率十分低下，而且很多情況下依賴評級者的主觀判斷，信用記分卡模型的引入有效改

2、變了這一狀況，信用申請者的特征得到量化，進而使得一系列的客觀標準建立起來，信用評級的客觀性和效率大大提高.但信用評級問題依然存在很多困難，申請者是否會違約，不僅僅取決于還款能力，還會受到還款意愿的影響，而還款意愿往往無法量化，這導致了在進行信用評級時普遍存在錯誤率較大的問題.
　　支持向量機(SVM)是在上世紀九十年代由Vapnic提出的一種機器學習方法，它以統(tǒng)計學習理論為基礎，不僅具有優(yōu)秀的小樣本學習能力，而且在解決非線性、高維

3、度、過擬合等機器學習上的傳統(tǒng)難題方面效果顯著.集成學習則通過一定的算法訓練產(chǎn)生多個具有差異性的子學習器，并通過特定的方式將子學習器的決策進行合成，以做出最終決策.集成學習提高了學習器的泛化能力，往往可以取得比單一學習器更好的結(jié)果.
　　本文選用臺灣信用數(shù)據(jù)，首先以較早出現(xiàn)的判別分析方法和Logistics模型與支持向量機方法進行實證比較，就總體正確率而言，徑向基核函數(shù)支持向量機正確率最高，判別分析法正確率最低，但判別分析法的錯誤主