贝叶斯网络分类器学习及其在信用评分中的应用

摘要

在这个信息爆炸式增长的年代，数据规模的不断激增，为了得到数据中的有价值的知识，我们往往会使用数据挖掘DM技术来处理。而贝叶斯网络因为其坚强的数学基础和图论特点，直观的表示和定性定量的描述能力，成为处理信息的代表性的智能模型。目前，在很多领域，包括工业、农业和医学等，都有贝叶斯网络的应用，而且都造成了社会经济效益。所以，很有必要深入研究贝叶斯网络。本文研究的重点是贝叶斯网络分类器的学习研究，主要工作和成果如下： 首先介绍了数据挖掘和贝叶斯网络的基础背景。介绍了数据挖掘常见的任务、基本流程、分类问题以及分类问题的比较和评估手段；接着介绍贝叶斯网络的国内外的研究情况，然后分别介绍几种常见的贝叶斯网络分类模型的特点，最后介绍贝叶斯网络分类器相较于其他分类器的优点。 其次，文章介绍了几类常见的学习贝叶斯网的算法，并分析了这几个学习算法。在参数学习部分，主要介绍了三个学习算法，而把重点放在结构学习部分，提出了三个基于局部学习的单维贝叶斯网络分类器学习算法，分别是IPC-GBNC、LAS-GBNC和LAS-GBNC+，而且拓展了单维的贝叶斯网络分类器，提出一个多维贝叶斯网络分类器学习算法 DOS-GMBNC，并且从实验上充分证明了方法的先进性。 最后，本文通过采用国外某银行提供的信用数据，利用 LAS-GBNC+对其信用建模，然后利用该模型对银行信用状况来客户细分等行为。实验结果表明此模型优于Logistic回归模型、NB和J48模型。所以银行信用分析人员有必要学习并考虑此方法的可行性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 论文工作及章节安排

1.4 本章小结

第2章 相关理论与技术基础

2.1 贝叶斯网络的概念

2.2 贝叶斯网络分类模型

2.3 本章小结

第3章 贝叶斯网络参数学习

3.1 完备数据集的参数学习

3.2 不完备数据集的参数学习

3.3 本章小节

第4章 贝叶斯网络结构学习

4.1 IPC-GBNC

4.2 LAS-GBNC

4.3 LAS-GBNC+

4.4 实验研究

4.5 DOS-GMBNC

4.6 本章小结

第5章 贝叶斯网络分类器在信用评分中的应用

5.1 个人信用评分的研究现状

5.2 实验数据介绍

5.3 实验与结果分析

5.4 本章小结

第6章 总结与展望

6.1 本文工作总结

6.2 本文的主要特色

6.3 未来工作展望

参考文献

致谢

个人简历、在学期间发表的学术论文与研究成果