基于过采样SVM的不平衡数据信用评价模型

摘要

针对信用评价中最为常见的不平衡小样本数据集问题，以及不同误分类造成的损失代价不同问题，在传统SVM模型基础上，提出采用过采样的SMOTE算法解决数据不平衡问题。在核SVM模型的基础上运用交叉验证得出核最优参数，加入非对称误差成本（DEC），提高将高风险误分为低风险的成本，建立更适用于信用评价的模型。经数据验证，该算法有效弥补了传统SVM模型在不平衡数据集分类中的缺陷，避免了小样本数据集样本过少而使得模型泛化能力降低的问题。加入DEC之后的模型与未加入的相比，虽分类准确率略有降低，但将高风险误分为低风险的错误明显降低，更适用于信用评价模型。