自適應(yīng)KNN分類(lèi)算法及其在個(gè)人信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用.pdf

1、參數(shù)k值的合理選取是KNN算法設(shè)計(jì)中的一個(gè)難點(diǎn)問(wèn)題。目前k值一般憑經(jīng)驗(yàn)選取，而且傳統(tǒng)的KNN算法中所有的測(cè)試樣本都用一個(gè)k值，這對(duì)于分布不均勻的樣本來(lái)說(shuō)顯然是不合理的，可能會(huì)降低分類(lèi)的正確率。個(gè)人的信用問(wèn)題是貸款違約的主要原因，建立有效的個(gè)人信用風(fēng)險(xiǎn)評(píng)估系統(tǒng)能降低銀行的投資風(fēng)險(xiǎn)。為有效評(píng)估個(gè)人的信用風(fēng)險(xiǎn)，越來(lái)越多的學(xué)者開(kāi)始把數(shù)據(jù)挖掘技術(shù)與個(gè)人的信用風(fēng)險(xiǎn)評(píng)估結(jié)合起來(lái)，設(shè)計(jì)或開(kāi)發(fā)基于數(shù)據(jù)挖掘的個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型，但在針對(duì)個(gè)人信用信息的自適

2、應(yīng)挖掘方面的研究還缺乏應(yīng)有的成果。本文主要研究的是自適應(yīng)KNN分類(lèi)算法及其在個(gè)人信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用。
　　本文完成的主要工作如下:
　　(1)針對(duì)KNN算法中k值需要提前設(shè)定而且是固定的缺點(diǎn)，提出一種基于局部密度和純度的自適應(yīng)KNN分類(lèi)算法，該算法綜合考慮測(cè)試樣本的局部密度以及最大類(lèi)所占的比重，測(cè)試樣本選擇可信度高的k值，使得測(cè)試樣本的k值是通過(guò)學(xué)習(xí)樣本的相關(guān)性得到的，而不是人為設(shè)定的，對(duì)于不同的測(cè)試樣本選取的k值也不固定

3、，從而提高了分類(lèi)的正確率。算法可以用于無(wú)法通過(guò)經(jīng)驗(yàn)或者需要長(zhǎng)時(shí)間實(shí)驗(yàn)選取k值的情況，在一定程度上減少選取k值的時(shí)間。
　　(2)在個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型中，引入KNN分類(lèi)算法。考慮到評(píng)估個(gè)人信用時(shí)，樣本的每個(gè)屬性所占的地位不同，可能有的特征對(duì)信用影響比較大，有的特征對(duì)信用的影響不大。對(duì)特征屬性加權(quán)，提出一種改進(jìn)的特征屬性加權(quán)的KNN分類(lèi)算法，然后將k值自適應(yīng)的加權(quán)KNN分類(lèi)算法應(yīng)用于個(gè)人信用風(fēng)險(xiǎn)評(píng)估中，實(shí)驗(yàn)結(jié)果表明本文提出的算法對(duì)于