bp神經(jīng)網(wǎng)絡(luò)和logistic回歸在信用評級上的應(yīng)用與模型對比

1、 BP 神經(jīng)網(wǎng)絡(luò)和 Logistic 回歸在信用評級上的應(yīng)用與模型對比 重慶大學(xué)碩士學(xué)位論文 （專業(yè)學(xué)位） 學(xué)生姓名：勾婷婷 指導(dǎo)教師：周國立 副教授 學(xué)位類別：應(yīng)用統(tǒng)計碩士 重慶大學(xué)數(shù)學(xué)與統(tǒng)計學(xué)院 二 O 一七年四月重慶大學(xué)碩士學(xué)位論文 中文摘要 I 摘 要 隨著經(jīng)濟、 技術(shù)的不斷發(fā)展， 金融行業(yè)銀行業(yè)務(wù)的日趨成熟， 科學(xué)技術(shù)與傳統(tǒng)行業(yè)的結(jié)合已成為時代的主流。 也伴隨著 p2p、 網(wǎng)上銀行、 眾籌等借貸平臺的出現(xiàn)，銀行個人信用評估

2、在金融行業(yè)的發(fā)展的地位也越來也重要。信用是經(jīng)濟得以健康快速發(fā)展的重要保證， 銀行的個人信用評估也同時影響著房屋借貸、 汽車借貸等進入業(yè)務(wù)， 因此快速度， 高效率的信用評估已成為大多數(shù)銀行提高工作效率的共同需求。 在科技高速發(fā)展的時代， 利用人工智能搜索平臺獲取更多的信息用于信用評估，以及在利益最大化與風(fēng)險最小化的驅(qū)動下， 使用數(shù)據(jù)挖掘技術(shù)， 與機器學(xué)習(xí)的算法，可以提高審批效率，同時避免銀行客戶流失與放款錯誤帶來的不利影響。 本文從銀行信

3、用評估的發(fā)展形勢與現(xiàn)狀分析著手，以 UCI 中 1000 條信用數(shù)據(jù)作為數(shù)據(jù)來源，使用數(shù)據(jù)挖掘，與機器學(xué)習(xí)的算法，建立模型。使用神經(jīng)網(wǎng)絡(luò)，Logistic 回歸的機器學(xué)習(xí)算法。其中，隨機抽樣 70%數(shù)據(jù)作為訓(xùn)練集，30%數(shù)據(jù)為測試集，用于訓(xùn)練好的模型預(yù)測，得出預(yù)測結(jié)果并與真實值進行比較，計算模型模型的準確率,并進行模型評估。 在模型的評估上，采用的檢驗方法主要是 ROC 曲線、LIFT 圖、K-S 曲線和 AUG 指標等來比較兩種模型的