基于SVM的满意特征选择及其在企业信用评估中的应用

摘要

信用评估是银行贷款业务的核心工作，对贷款客户的信用评价是否科学可靠，关系着银行经营的成败。 国内银行的信用评估方法目前还停留在传统的比例分析阶段，亟需建立一套更为科学的评估模型。近年来，神经网络(NN)、支持向量机(SVM)等智能模型已被引入信用评估领域，并取得了令人鼓舞的研究性成果。但前人的研究着重于智能评估模型的建立，对评估指标体系的选定却未作充分的探讨。本文采用数据挖掘领域中的特征选择方法，结合SVM分类技术，对评估指标的选取进行了较为深入的研究，并以此为基点，对信用评估的建模方法进行了新的拓展。 本文将满意优化思想引入特征选择方法中，并针对国内银行信用数据的特点，综合考虑选出特征子集的维数及其在各个信用等级上的预测能力，设计了独特的满意特征选择算法。为使选出的特征子集具有算法针对性及适用性，本文采用SVM交叉验证方法评估特征子集的预测性能。通过与三种不同的特征选择方法的比较，发现基于SVM的满意特征选择能选出维数较低、总体预测性能较高、等级间预测性能较为均衡的特征子集，证实了该算法的适用性及优越性，并最终选定了一套较为简洁、实用的信用评估指标体系。 在此基础上，本文还将特征选择方法应用到建模领域，探索构建多分类SVM组合评估模型的有效方法。对比实验表明，基于满意特征选择方式的多分类SVM组合模型，在预测性能上优于基于Bagging方法的组合、基于特征分组方式的组合、以及另外三种基于Wrapper特征选择方法的组合，并大大好于单个多分类SVM分类器，是一种有效且高性能的信用评估模型。

目录

文摘

英文文摘

声明

前言

第一章企业信用评估及评估方法

1.1 企业信用评估概述

1.2 信用评估的指标体系

1.3 企业信用评估方法与模型

1.3.1 5C要素分析法(专家判断法)

1.3.2 百分制计分方法

1.3.3 信用模型分析法

第二章特征选择及支持向量机(SVM)技术简介

2.1 特征选择

2.1.1 特征选择概述

2.1.2 特征选择过程

2.1.3 特征选择方法分类

2.2 支持向量机(SVM)简介

2.2.1 最优分类超平面

2.2.2 软间隔分类超平面

2.2.3 支持向量机

2.2.4 内积核函数的选择

2.2.5 SVM的优点

2.2.6 SVM的相关研究概述

第三章基于SVM的满意特征选择及其在信用指标选取中的应用

3.1 待选指标体系的确定

3.2 样本预处理

3.2.1 信用等级的划分

3.2.2 总体样本的筛选与抽样

3.2.3 样本输入归一化

3.3 基于SVM的满意特征选择方法

3.3.1 特征集满意度函数的设计

3.3.2 满意特征选择算法及其参数选择

3.4 对比实验及评估指标体系的选定

第四章基于多分类SVM组合的企业信用评估模型

4.1 分类器组合

4.1.1 分类器组合概述

4.1.2 构造组合分类器的方法

4.2 基于满意特征选择的多分类SVM组合信用评估模型

4.2.1 多分类SVM组合方法的比较研究

4.2.2 基于满意特征选择的多分类SVM组合模型

第五章总结及展望

参考文献

攻读硕士学位期间发表的论文

致谢