Adaboost组合分类模型在信用评估领域应用研究

论文摘要

消费信贷的发展对于国家社会都有着很多积极意义,例如扩大内需、加快社会消费结构升级、改善银行资产结构和提高效益,但是缺乏科学高效的信用评估方法是制约消费信贷发展的重要问题。目前信用评估领域存在着单一分类模型难以同时兼顾高精确性和高稳健性,并且模型的使用受到样本地域性限制的问题,本文将引入组合分类思想,将Adaboost组合分类模型应用于这一领域,尝试解决上述问题。本文主要从精确性、稳健性和应用范围三个方面分析模型分类性能。本文对国内外文献从信用评估和组合分类两方面进行梳理,分析了组合分类的可行性。利用国内信用样本检验Adaboost组合分类模型的精确性和稳健型,利用国外样本对Adaboost组合分类模型的应用范围进行探讨。通过实证结果的比较可以看出,在模型的精确性和稳健性方面,Adaboost组合分类模型在精确性上的97.33%和稳健性上的0.47%两个方面均优于BP神经网络分类模型、决策树分类模型和Logistic回归分类模型,说明了Adaboost算法确实有改善单一模型应用中精确性和稳健性不能同时兼得的作用。另外非线性分类模型的精确性要优于线性分类模型,部分非线性分类模型的稳健性不如线性分类模型。在模型的应用范围方面,Adaboost组合分类模型在基分类模型的分类精度不高的情况下,发挥融合决策特点,提升分类模型性能明显。因此可以认为Adaboost组合分类模型具有较好的实用性和较广的应用范围,虽不能保证完全拟合当地信用样本数据,但相对于单一分类模型,尤其是分类性能较弱的分类模型,有较强的提升分类性能的作用。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景和意义
• 1.2 国内外文献综述
• 1.2.1 个人信用评估文献综述
• 1.2.2 组合分类模型文献综述
• 1.2.3 研究现状评述
• 1.3 研究内容及结构
• 1.3.1 研究方法
• 1.3.2 研究内容
• 1.3.3 章节安排
• 1.3.4 研究思路
• 第2章 组合分类理论基础
• 2.1 数据挖掘分类
• 2.1.1 分类模型定义
• 2.1.2 数据分类流程
• 2.1.3 常见分类模型
• 2.1.4 模型评价标准
• 2.2 组合分类模型
• 2.2.1 组合分类可行性分析
• 2.2.2 组合分类模型设计方法
• 2.2.3 组合分类模型融合算法
• 2.3 Adaboost 组合算法
• 2.3.1 Adaboost 工作原理
• 2.3.2 Adaboost 算法描述
• 2.4 本章小结
• 第3章 Adaboost 组合分类模型应用
• 3.1 样本数据选择及预处理
• 3.1.1 样本数据来源
• 3.1.2 样本指标选择
• 3.1.3 样本指标初步分析
• 3.1.4 样本数据预处理
• 3.2 Adaboost 组合分类模型参数调试
• 3.3 Adaboost 组合分类模型应用结果
• 3.4 本章小结
• 第4章 分类模型应用结果分析
• 4.1 传统单一分类模型结果
• 4.1.1 Logistic 回归分类模型结果
• 4.1.2 决策树分类模型结果
• 4.1.3 BP 神经网络分类模型结果
• 4.2 分类模型性能比较分析
• 4.2.1 精确性和稳健性比较
• 4.2.2 应用范围比较分析
• 4.3 研究展望
• 4.4 本章小结
• 结论
• 参考文献
• 致谢