异态集成学习方法在个人信用评估中的应用

• 作 者: 曹倩
• 出 处: 哈尔滨工业大学
• 发表日期: 2011年期
• 关键词: 异态集成算法 个人信用评估 Adaboost Bagging

随着中国经济的迅速发展和计算机信息技术在生物、经济等各个领域的广泛应用,社会各阶层居民对日常的消费信贷需求与日俱增。国内各大银行积极适应市场变化,这不仅要求银行能够针对各层客户扩展多种多样的特色信贷业务,更需要银行能够应用规范的系统评估方式在资金管理和风险调控中做到高效率、高收益和低风险。因此,建立一个系统高效并具有实际应用价值的信用评估模型可以很好的指导国内银行信贷业务的发展。本文针对个人信用评估问题,在阅读大量国内外文献的基础上,根据决策树、异态集成学习方法的原理,提出运用典型的Adaboost和Bagging异态学习法构建个人信用评估模型。首先从Adaboost的原理出发,在训练过程中反复增加各种单一分类器,通过逐层调节弱分类器对应的权重值训练总输出达到提前设定的最小误差率的强训练器。随后为了达到降低模型错分率,提高模型预测精度的作用,又对Bagging集成在均等处理无偏估计模型中产生噪音的全过程进行详细分析。最后利用银行个人信用数据训练异态集成学习模型,结果显示异态集成方法在准确率和稳健性上较单一REPTree方法均有优化,可以看出异态集成学习模型有效的综合了单一模型的优点,改善已有信用评估模型中遇到的“过拟合”和“局部最优”困境。基于Adaboost和Bagging方法建立的个人信用评估模能够降低银行信用评估中因违约误判而带来的资金损失,更利于模型实现预期的效果。