信用分类中自适应范数SVM算法及应用研究

• 作 者: 孙东霞
• 机 构: 中国科学院大学
• 出 处: 中国科学院研究生院 中国科学院大学
• 发表日期: 2009年期
• 关键词: 信用风险 信用评分 支持向量机 自适应范数 数据挖掘

信用风险始终是商业银行风险管理的重中之重。从欧美发达国家的发展历程来看，对于个人信用评分的研究已经有50多年的历史并形成了一套比较成熟的信用评分系统。其所采用的方法主要有统计学方法和非统计学方法两大类。统计学方法的优点是可以利用样本估计量的性质、置信区间、假设检验等方面的知识，并且具有可解释性强的特点。但是服从某种统计分布的假设在现实中却又不总是可以满足的。非统计学方法主要基于人工智能和优化算法的研究，其不需要对样本的分布进行假设，但是可解释性却不如统计学方法。本文试图对分类算法进行更深入的研究，以提高模型的分类准确度和运算速度。　　
本文在研究标准SVM的基础上，为了进一步改进其在信用风险分类领域的性能，提出了一种基于高斯(Guass)核函数自适应范数支持向量机模型(ALqG-SVM)，把目标函数的范数由固定值如L1范数或者L2范数扩展到了一个区间(0，2]，以提高算法的分类准确度及泛化能力。并且为了进一步提高模型的运算速度，引入了ES搜索算法。　　
本文将该模型应用于两个取自UCI的信用数据库和一个美国某商业银行实际信用卡数据库，采用了五次交叉验证的方法进行信用风险分类，并与其他六个比较成熟的模型进行了比较，结果表明该模型分类准确度高，泛化能力强，并且计算速度快。研究表明高斯(Guass)核函数自适应范数支持向量机模型是一个不错的信用风险分类工具。同时为了进一步检验模型的有效性，把模型应用在三个医学数据库并和其他模型的结果进行了对比，结果显示本文所提出的模型在医学数据库领域也具有较高的分类准确度。