基于改进的决策树信用评价模型研究及其工具实现

• 作 者: 吕晓丹
• 发表日期: 2014年01期
• 关键词: 信用风险 商业银行 决策树 C4.5 边界点合并 条件误差

信用风险是影响商业银行安全高效运营的主要原因。企业作为银行贷款业务的核心主体,其生产经营活动状况的好坏,行为的规范与否,直接关系到银行信贷资金使用好坏和效益高低。这就要求银行对企业的经营活动、经营成果、获利能力、偿债能力等给予科学的评价,以确定是否发放贷款。目前在解决分类问题的各种方法中,决策树是运用最广泛并且效果较好的一种。本文主要是在现有决策树模型的基础上进行改进以形成一个信用评级工具并以此改进的模型进行实证研究,验证其效率以及正确率确实较传统的决策树模型有所提高。本文的核心工作首先是针对决策树中C4.5算法在连续属性离散化处理时存在的缺点：其在寻求最佳分割点的时候需要对数据集进行多次的顺序扫描和排序,并且要多次重复计算以选出最佳分割点,尤其在存在多个属性并且每个属性具有很多个取值时,计算量将会非常大,因而导致算法的低效。基于此,本文提出一种边界点合并的算法,也就是直接用简单的规则对边界点集合进行合并以得到备选最优切点几个,改变了传统方法遍历寻求最佳分割切点的过程,节省了离散化的计算量,使其在离散化的有效性和效率上达到了一种平衡。其次本文对C4.5算法中的剪枝算法也进行了改进,引入了条件误差的剪枝方法以进一步提高其分类正确率。然后,对企业进行分类实证研究,比较改进前后的正确率。最后本文设计实现一个简单的信用评级工具,能够导入数据集,形成离散化方案,最终得出分类结果。