基于多种支持向量机的多层级联式分类器研究及其在信用评分中的应用

摘要

【目的】主要面向广受关注的金融机构信用评分问题,利用机器学习方法,研究基于多种支持向量机的多层级联式分类器方法在其中的应用。【方法】所提分类器是一种混合模型,结合遗传算法、机器学习和集成学习思想,框架包含支持向量机分类器、归一化方法、特征提取、参数优化、10折交叉验证等多种技术。重点在层数加深策略、属性复用方法、适应度函数多样化等方面做了深入细致的方法研究和实验论证。【结果】实验发现,经过遗传算法优化的支持向量机在应用于Australian Credit Approval数据集时,预测准确率可以随着层数的增加而提高,整体框架预测准确率达到93.33%。【局限】仅使用支持向量机这一种方法,仍需要进一步尝试使用更多分类器进行优化。同时,由于框架中分类器较多,且拥有多层结构,需要较长时间进行训练和优化。【结论】所提分类器可以有效应用于各种金融领域的信用评分服务,也可以用于其他类似的二分类问题。