基于支持向量机的银行贷款分类初步研究

论文摘要

本论文拟用支持向量机对银行贷款进行分类。本文用的是中国人民银行新引入的5类分类方法,而且其权重与参数只用于制造业。用财务指标加权法虽然可以将多维数据转化为一维数据,而后简单的将其分类,然而计算过程序要耗费大量的计算机资源,也不够直观。而支持向量机对其进行直观的分类,并且可以自动的生成最优的分类标准,其扩展性与准确性方面也很可观。由于需要理论的完备性,本论文将用大量的篇章介绍支持向量机的理论基础,以便读者可以通过本文直接对支持向量机有一个概念、原理、方法上比较确切的了解,并能快速的应用于实践中。本文对支持向量的几种主要的不同核函数做了详尽的说明,为后面的实验过程做了良好的准备。对基于支持向量机的银行贷款分类做了初步的研究工作,并用C语言编写程序利用不同的核函数对研究内容进行了实验,得到实验结果数据,对实验结果进行分析对比,从而得出本文采用的基于支持向量机的银行贷款分类方法取得了较为理想的实验结果,行之有效。应用要求模型与数据的真实性,可由于能力所限,数据的提取未免全面,维数已经达到了12,多方面因素的影响使其可能不会是一个理想的模型。但也许效果会出人意外的理想,这都是实现之前未知的。总之,希望为支持向量机在我国的发展贡献微薄之力。

论文目录

• 内容提要
• 第1章 模式识别及学习问题概论
• 1.1 机器学习概述
• 1.2 模式识别概述
• 1.2.1 模式识别的基本过程
• 1.2.2 Bayes 判别法
• 1.2.3 模式识别的一般理论
• 1.3 统计学习理论简介
• 1.3.1 经验风险最小化原则
• 1.3.2 统计学习理论及其主要内容
• 第2章 支持向量机
• 2.1 支持向量机概述
• 2.2 线性支持向量机
• 2.2.1 数据可分情况
• 2.2.2 Karush-Kuhn-Tucker 条件
• 2.2.3 数据不可分情况
• 2.3 非线性支持向量机
• 2.4 支持向量机的局限性
• 第3章 银行贷款五级分类模型
• 3.1 银行信贷风险五级分类介绍
• 3.2 数据提取
• 第4章 实验过程及结果分析
• 4.1 实验算法分析
• 4.2 非线性核函数中参数的确定与遗传算法
• 4.3 实验过程
• 4.4 实验结果与分析
• 4.4.1 基于数据可分时的实验结果及分析
• 4.4.2 基于数据不可分时的实验结果及分析
• 第五章 总结与展望
• 参考文献
• 摘要
• Abstract
• 致谢