基于灰色關聯(lián)度與改進SMOTE的支持向量機建模與應用.pdf

1、隨著信貸行業(yè)的迅速發(fā)展和數(shù)據(jù)挖掘技術的不斷進步，傳統(tǒng)人工完成的信用風險評估工作正逐步被大數(shù)據(jù)背景下的機器學習所代替。作為一種有效的分類工具，支持向量機通過對歷史樣本的學習，可在短時間內構建出一個分類模型，用于對新樣本所屬類別的判定。嚴格的數(shù)學推理和扎實的統(tǒng)計學基礎，使其被越來越多的專家和學者所接納，同時被廣泛應用于工業(yè)生產(chǎn)、文本識別、圖像分析、入侵檢測、廣告推薦、管理評估、金融保險、醫(yī)療診斷、生命科學等諸多領域。
　　然而在現(xiàn)現(xiàn)實

2、生活中，分類問題中的數(shù)據(jù)復雜性不斷增加，如噪聲樣本對正常分類的干擾、非均衡數(shù)據(jù)帶來的分類傾向性改變，這些問題的存在使得經(jīng)典支持向量機分類精度下降。為了更好地將支持向量機應用于實際問題當中，需要結合支持向量機自身性質，充分考慮噪聲樣本和非均衡數(shù)據(jù)給分類結果帶來的影響，深入分析分類精度下降的原因，從而有針對性地對經(jīng)典支持向量機模型加以改進，進一步拓寬支持向量機的理論價值和應用價值。
　　本文系統(tǒng)地研究了經(jīng)典支持向量機的相關理論及其性質

3、，針對支持向量機中的噪聲問題和數(shù)據(jù)非均衡問題分別進行了討論，并提出同時解決噪聲和非均衡數(shù)據(jù)的改進支持向量機算法，將其應用到小額貸款公司客戶信用風險評估的實際案例當中，違約客戶識別率有所提高。本文的主要研究內容如下：
　?。?）引入灰色關聯(lián)度，定義了樣本的平均灰色絕對關聯(lián)度；針對噪聲識別過程中支持向量對分類貢獻被削弱的問題，提出了基于同類中心和異類中心雙參照點的噪聲判別方法；給出新的隸屬度函數(shù)設置具體步驟。
　　（2）針對傳統(tǒng)

4、SMOTE算法在處理非均衡數(shù)據(jù)時對全部少數(shù)類樣本操作的問題，提出僅對錯分樣本人工合成的改進思想；引入Random-SMOTE算法，改善新合成樣本的分布情況；給出具體非均衡數(shù)據(jù)下的改進支持向量機算法流程。
　?。?）分析了在使用SMOTE過程中噪聲對分類結果的影響；提出一種新型支持向量機算法，首先使用雙參照點灰色關聯(lián)度的噪聲判別方法對樣本進行篩選，再通過改進SMOTE算法合成新樣本；給出組合算法的流程。
　?。?）研究了小額貸