基于多分类器融合的客户细分研究

基于多分类器融合技术,建立了新的客户分类模型,该模型通过使用分类融合器,将多个分类器得到的客户信用评估结果进行合并,从而综合了不同分类器的局部优势,提高了分类性能.采用线性分类融合器,并通过遗传算法对分类器进行优化.实验分析表明,该方法的分类效果明显优于传统的运用单个分类器的分类方法.     

基于组合分类的消费者信用评估

为了降低单个分类模型的不稳定性,提高其应用于消费者信用评估的准确性,提出一种基于组合分类的消费者信用评估方法.首先通过有监督聚类将各个类别的数据样本划分为若干子集合,使得各个子集合中数据样本均来自同一类别,再对不同类别子集合之间进行两两组合得到训练样本子集合,然后在各个训练样本子集合中分别建立不同的分类模型.在分类模型结果综合阶段,以各个分类模型在待分类样本的近邻训练样本中的分类性能作为权重,对各个分类模型的结果进行加权投票以产生待分类样本的最终分类结果.实证研究以决策树作为基本分类器,通过在实际的消费者信用数据集上的比较分析,说明所提出方法相对于其它组合分类方法具有更高的分类准确性,可以有效应用于消费者信用评估.     

客户信用评估半监督协同训练模型研究

在现实的很多信用评估问题中,由于对样本进行类别标记需要花费大量的人力、财力和物力,往往只能获取少量有类别标签的样本来训练分类模型,而把数据库中大量无类别标签的客户样本舍弃。为解决这一问题,本研究引入半监督学习技术,并将其与多分类器集成技术中的随机子空间方法(Random Subspace, RSS)相结合,构建了类别不平衡环境下基于RSS的半监督协同训练模型RSSCI。该模型主要包括三个阶段:1)使用RSS方法训练得到若干基本分类器;2)从大量无类别标签数据集中选择性标记一部分最合适的样本加入到原始训练集中;3)在最终的训练集上训练分类模型,并对测试集样本进行分类。在三个客户信用评估数据集上进行实证分析,结果表明,RSSCI模型的信用评估性能不仅优于常用的监督式集成信用评估模型,也优于已有的一些半监督协同训练信用评估模型。     

基于Metacost的客户信用评估半监督异构集成模型研究

针对现实中信用评估存在的问题,本研究将元代价敏感学习、半监督学习和异构集成等技术结合,提出了基于Metacost的客户信用评估半监督异构集成模型(Metacost based semi-supervised heterogeneous ensemble model, Meta-Semi-HE)。该模型主要包括三个阶段：1)用Metacost方法修改初始有标签训练集得到Lm;2)在Lm上通过AdaBoost方法训练N个异构分类器hi(i = 1,…, N),用伴随分类器组合Hi选择性标记无标签数据集的样本,并将其添加到Lm中,用新的Lm重新训练N个异构分类器。重复这一步骤,不断提高分类器性能,直至满足终止条件;3)用最终的N个异构分类器对测试集样本分类。在6个客户信用评估数据集上进行实证分析,结果表明,与已有的3种半监督集成模型和2种监督式集成模型相比,本研究提出的模型具有更好的客户信用评估性能。     

银行客户信用评估动态分类器集成选择模型

现实的银行客户信用评估数据常包含大量的缺失值,这在很大程度上影响了信用评估模型的性能.针对已有模型的不足,提出了面向缺失数据的动态分类器集成选择模型DCESM.该模型充分利用数据集中所包含的已知信息,在训练信用评估模型之前不需要事先对缺失数据进行预处理,从而减少了对数据缺失机制假设以及数据分布模型的依赖.从UCI数据库中选择两个银行信用卡业务信用评估数据集进行实证分析,结果表明,与4种常用的基于插补法的多分类器集成模型以及1种直接面向缺失数据建模的集成模型相比,DCESM模型能够取得更好的客户信用评估性能.     

基于支持向量机集成的电子商务环境下客户信用评估模型研究

随着电子商务的快速发展,越来越多的顾客参与到电子商务中来,目前国内电子商务相关的配套设施、法律法规等均不完善,信用问题是困扰电子商务发展的主要瓶颈问题,而客户信用评估是电子商务的重要组成部分,本文利用基于模糊积分的支持向量机集成方法对客户信用进行评估,该方法考虑了各子分类器的分类结果和各子分类器判决对最终决策的重要程度。通过实证分析探讨了此法的可行性和优越性,为我国建立电子商务客户评价体系提供参考。     

仿EM的多变量缺失数据填补算法及其在信用评估中的应用

数据缺失会显著降低信用评估模型的准确性和可用性,尤其是多变量同时有数据缺失时。本文针对模型应用阶段的多变量数据缺失问题,提出了一种新的数据填补算法。该算法由两阶段构成：准备阶段和数据填补阶段。在准备阶段,算法基于朴素贝叶斯方法以初始数据集进行训练,对每个可能缺失的变量构建起相应的单变量预测估计模型;而数据填补阶段则借鉴了EM算法的思想,利用前期的单变量预测估计模型,对给定的多变量数据缺失样本进行交替迭代,逐步填补更新。理论证明,该算法具有单调收敛性。以人人贷数据集和UCI提供的德国和澳大利亚两个信用评估基准数据集为例,将其与众数填补法、EM填补法进行性能对比实验,结果表明本文方法的数据还原性能和填补后信用评估准确性都明显更优。这为解决信用评估时的数据多变量缺失问题提供了一种更好的处理方法。     

基于相似样本归并的大样本混合信用评估模型北大核心CSCDCSSCI

当前面向大样本设计的信用评估模型,大多没有深入探究大样本的分布特征,只是简单地将传统评估方法应用在大样本上.首先提出了用于描述大样本分布特征的相关属性集、边界向量等若干概念及定义,并证明了其主要性质.之后在两个大样本数据集的基础上,研究了样本在相似性方面的分布特征,最后设计了一种大样本混合信用评估模型——HLSCE模型.HLSCE模型认为在大样本数据集中,样本的同一属性在不同局部区域内,对分类性能的贡献是不同的.具体地,HLSCE模型根据各样本与边界向量的相似性差异,结合生物启发式算法,将样本归并划分为若干子集并分别在其上训练基分类器.实证研究表明,HLSCE模型的分类精度相比于现有的代表性信用评估模型更高,同时也具有更为优越的平衡性与稳定性.     

基于相似样本归并的大样本混合信用评估模型

当前面向大样本设计的信用评估模型,大多没有深入探究大样本的分布特征,只是简单地将传统评估方法应用在大样本上.首先提出了用于描述大样本分布特征的相关属性集、边界向量等若干概念及定义,并证明了其主要性质.之后在两个大样本数据集的基础上,研究了样本在相似性方面的分布特征,最后设计了一种大样本混合信用评估模型——HLSCE模型.HLSCE模型认为在大样本数据集中,样本的同一属性在不同局部区域内,对分类性能的贡献是不同的.具体地,HLSCE模型根据各样本与边界向量的相似性差异,结合生物启发式算法,将样本归并划分为若干子集并分别在其上训练基分类器.实证研究表明,HLSCE模型的分类精度相比于现有的代表性信用评估模型更高,同时也具有更为优越的平衡性与稳定性.     

供应链中的批量与信用期联合决策研究

信用支付契约是使供应链各方达到协调的重要手段。本文在单个制造商和单个零售商组成的两级供应链系统下,建立了制造商和零售商的库存控制模型,提出了联合决策零售商的订货批量,以及制造商的生产批量和定期信用支付期的启发式算法。给出了利润分配方案,以使供应链达到协调。最后,本文通过算例验证了模型和算法的有效性,为运用信用支付契约协调供应链提供了理论依据。     

上市公司信用评估模型

论文在分析信用评估重要性和信用评估国内外现状的基础上,指出了目前上市公司信用指标体系建立中存在的不足,进而提出了一种基于特征选择FSDB算法的上市公司信用评估指标体系的建立方法,并在该指标体系的基础上,提出了一种基于SOM神经网络的上市公司信用评估模型。通过试验证明,该模型在经过一定的训练后,能够用于上市公司的信用评估,并具有较高的准确性。     

基于改进SMOTE的小额贷款公司客户信用风险非均衡SVM分类

研究了小额贷款公司对客户进行信用风险评估时面临的问题,构建了信用风险评估指标体系,改进了支持向量机(Support Vector Machine, SVM)对非均衡样本分类时分类超平面偏移的不足。首先分析小额贷款公司业务区域性强、信用数据来源不规范、评价标准不一致等特点,给出用于客户信用风险评估的四个维度指标。针对传统SMOTE算法在处理非均衡数据时对全部少数类样本操作的问题,提出仅对错分样本人工合成的改进思想,给出具体算法步骤。将改进算法用于某小额贷款公司客户信用风险评估案例中,分类精确度较其他算法有所提升,表明该方法的可行性和有效性。     

乡村农户贫困状态特征因子筛选与分析框架：兼论我国乡村振兴路径选择

本文构建了刻画乡村农户贫困状态的特征因子的提取算法和分析框架，旨在实现和帮助完善家庭农场的持续发展，尤其是由贫困农户组成或参与的家庭农场在发展需要的融资方面的乡村信用评估，推动有效地制订对应政策和落地方案，巩固脱贫攻坚成果和防止返贫。本文的最大亮点是以“分类与回归树”(CART)分析和“吉布斯抽样”(Gibbs Sampling)的人工智能算法为工具，对乡村农户贫困状态的特征因子提取建立了对应的框架和分析流程。基于国内某地区乡村建档立卡数据库的31,116个样本，实证研究筛选出12个刻画乡村农户贫困状态高度关联的特征因子，并进一步对特征因子的有效性进行了ROC曲线和AUC测试。结果表明以特征因子分析框架为基础，建设配套的乡村信用评估体系是支持乡村振兴的可持续性最佳解决途径之一，除了能够为乡村贫困户获得持续工作的基本技能或生产环境的改善提升上得到持续性的融资支持提供评估依据和数据支持，也能为乡村和城镇“传帮带”等生产和商务平台的建立提供可持续的基础性数据和信用分析的动态支持。     

信用评估风险的组成要素研究

随着经济全球化的脚步越来越快,对企业市场行为的信用评估显得愈加重要。本文站在信用评估中介的角度,对商业信用评估过程中的风险问题做了一定的研究,希望能树立评估人员的风险意识,进而提高信用评估结论的准确度。     

面向巴塞尔新资本协议的自优化神经网络信用评估方法

巴塞尔新资本协议中对信用风险评估使用的数据作了明确规定,而我国银行业目前所积累的数据还不能达到协议的要求;立足于我国银行业的现状,在新协议框架范围内探索可行的信用评估方法.对原有神经网络算法加以改进,提出自优化神经网络方法,该方法能较好地适应时变数据和自动优化神经网络评估模型,用真实的客户信用数据试验也表明该方法比普通神经网络有较高的准确性.     

基于SODM的贝叶斯分类器结构学习及其在客户分类中的应用

将自组织数据挖掘理论引入贝叶斯分类中,提出一种新颖的贝叶斯分类器结构学习算法.算法将基于依赖分析和评分搜索两种贝叶斯网络结构学习思想相接合,根据互信息测度值选择初始模型,用贝叶斯评分作为筛选中间模型的外准则,能够在不同数据集上完成自适应建模过程,包括选择进入模型的变量、确定具有最优复杂度的模型结构等.在 10 个UCI数据集上进行分类测试,结果表明,贝叶斯分类器结构学习算法分类器的分类精度要高于常用的朴素贝叶斯、树扩展朴素贝叶斯以及基于K2算法的分类器.进一步地,在信用卡客户分类数据集german上的学习曲线和抗干扰试验还表明,与朴素贝叶斯、树扩展朴素贝叶斯以及K2等分类器相比,贝叶斯分类器结构学习算法分类器具有更加稳定的分类性能和更强的抗干扰能力.     

基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究

针对不同样本在特征空间中具有不同的区域特性和不同分类算法之间的预测互补性,在电信客户流失预测理论基础上,融合多分类器动态集成理论和成本敏感学习理论,建立了电信客户流失多分类器集成预测的利润函数,并提出了一类新的基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型.首先使用K均值聚类法聚类训练样本成多个分区;接着使用NaiveBayes算法、多层感知机算法和J48算法在各分区样本上构建客户流失预测子分类器;最后使用改进人工鱼群算法分别对各分区的子分类器进行成本敏感优化集成.实验结果表明,所提出的基于多分类器动态选择与成本敏感优化集成模型的分类性能不仅优于由训练集全体样本所构建的3个单模型,也优于基于改进人工鱼群算法优化集成这3个单模型而得到的集成模型.     

遗传算法优化神经网络及信用评价研究

研究关于公司神经网络信用评估问题的现状,提出遗传算法辅助网络训练策略(优化后的网络称为进化网络),克服传统网络建模中产生的局部极小缺陷。建立了适合于我国商业企业的信用评分指标体系;然后依据该指标体系建立了基于进化神经网络的信用评估模型;最后,利用样本公司实际指标数据对该模型的评分效果进行了比较研究。     

基于单位BP神经网络算法的数据挖掘技术在电力客户信用等级评价中的应用研究

电力客户信用管理和信用评价,已经成为电力企业的一种经营工具和手段.本文结合数据挖掘技术在信用评价中的应用优势,以数据挖掘的通用模型CRISP-DM为基础,建立了电力客户信用评价的过程标准,构建了电力客户信用评价指标体系,应用单位BP神经网络算法构造了电力客户信用模型,并对该模型进行了实例分析,从而将电力客户信用分为5个等级.     

规范经营者信用行为

<正> 经营者个人信用是指经营者个人在生产经营中或在生活中产生的个人信用历史记录经过评估而形成的个人信用状况,在个人信用档案中往往用简单的标准的符号表示个人信用的意愿和能力。个人信用可分为个人消费信用和个人经营信用两大块,我们所指经营者信用是个人经营信用。对经营者的个人经营信用进行研究,分析经营者信用的现状、产生的原因,并探索改善经营者信用的对策,对于整顿规范我国市场秩序和信用关系有很重要的意义。