一种基于信用评估数据分布特征的GAσFCM算法

摘要

数据分布特征往往会影响模型的划分结果,聚类分析是获取数据分布情况的有效方法。文章首先比较硬划分聚类、模型聚类、模糊聚类三种聚类算法,寻找适合于信用数据分析的方法;同时,根据变量集中趋势和离散程度利用拉依达准则对数据进行预处理,采用遗传算法优化模型参数,提出适合于信用评价数据分布特征的GAσFCM算法。所提算法在分类精度上相比于传统FCM算法提高近3个百分点,同时为了避免非均衡样本对聚类算法产生的影响,对正样本选取有一定倾向性。算法对比分析表明,基于GAσFCM模糊聚类算法适用于信用风险评估特征分布,有效提高信用风险评估的准确性,动态灵敏的捕捉上市公司的信用变化,是信用风险管理和控制方法的有益补充。