異態(tài)集成學(xué)習(xí)方法在個(gè)人信用評(píng)估中的應(yīng)用.pdf

1、隨著中國(guó)經(jīng)濟(jì)的迅速發(fā)展和計(jì)算機(jī)信息技術(shù)在生物、經(jīng)濟(jì)等各個(gè)領(lǐng)域的廣泛應(yīng)用，社會(huì)各階層居民對(duì)日常的消費(fèi)信貸需求與日俱增。國(guó)內(nèi)各大銀行積極適應(yīng)市場(chǎng)變化，這不僅要求銀行能夠針對(duì)各層客戶擴(kuò)展多種多樣的特色信貸業(yè)務(wù)，更需要銀行能夠應(yīng)用規(guī)范的系統(tǒng)評(píng)估方式在資金管理和風(fēng)險(xiǎn)調(diào)控中做到高效率、高收益和低風(fēng)險(xiǎn)。因此，建立一個(gè)系統(tǒng)高效并具有實(shí)際應(yīng)用價(jià)值的信用評(píng)估模型可以很好的指導(dǎo)國(guó)內(nèi)銀行信貸業(yè)務(wù)的發(fā)展。
　　本文針對(duì)個(gè)人信用評(píng)估問題，在閱讀大量國(guó)內(nèi)外文獻(xiàn)

2、的基礎(chǔ)上，根據(jù)決策樹、異態(tài)集成學(xué)習(xí)方法的原理，提出運(yùn)用典型的Adaboost和Bagging異態(tài)學(xué)習(xí)法構(gòu)建個(gè)人信用評(píng)估模型。首先從 Adaboost的原理出發(fā)，在訓(xùn)練過程中反復(fù)增加各種單一分類器，通過逐層調(diào)節(jié)弱分類器對(duì)應(yīng)的權(quán)重值訓(xùn)練總輸出達(dá)到提前設(shè)定的最小誤差率的強(qiáng)訓(xùn)練器。隨后為了達(dá)到降低模型錯(cuò)分率，提高模型預(yù)測(cè)精度的作用，又對(duì) Bagging集成在均等處理無偏估計(jì)模型中產(chǎn)生噪音的全過程進(jìn)行詳細(xì)分析。最后利用銀行個(gè)人信用數(shù)據(jù)訓(xùn)練異態(tài)集成