基于支持向量机（SVM）理论的个人信用评估研究

论文摘要

金融机构风险主要源于信贷风险。个人申请贷款业务的与日剧增,建立有效的风险防范机制对银行来说是迫在眉睫的。本课题在齐鲁商业银行的综合信息平台的基础,对平台中的个人信用风险评估进行了深入探讨研究,提出了一个基于粗糙集和支持向量机的个人信用评估系统模型。数据挖掘融合了数据库、人工智能和数理统计等多门学科,是一种从大量复杂的数据中迅速获得有用信息的新技术。分类是一种最常见的数据挖掘的应用方向,通过实验数据训练得到的分类器来预测未知数据的类别。支持向量机(SVM)是近年来在统计学习理论的基础上发展起来的一种新的机器学习方法,它具有很强的泛化能力。其核心思想是将一个复杂的分类任务通过核函数映射使之转化成一个在高维特征空间中构造线性分类超平面的问题。支持向量机是一种好解决两分类问题的新方法,其构造学习结果模型稳定性较好。本文认真研究分析了支持向量机的原理及算法。在对面向大规模数据集的支持向量机的原理及算法的研究方面,通过比较各种算法的优缺点,选用了改进的序列最小最优化算法(SMO)来提高基于SVM的个人信用评估模型的学习速度。并对整个基于SVM的银行个人信用评估系统模型进行介绍。将支持向量机应用到个人信用评估中,最后通过实验,证明建立的模型具有很好的效果。

论文目录

• 致谢
• 摘要
• Abstract
• 1 绪论
• 1.1 研究的背景和意义
• 1.2 个人信用评估的研究现状
• 1.2.1 国外个人信用评估的研究状况
• 1.2.2 国内个人信用评估的研究状况
• 1.3 支持向量机（SVM）的研究现状
• 1.3.1 SVM 算法方面的研究状况
• 1.3.2 SVM 应用方面的研究状况
• 1.4 论文的研究内容和结构安排
• 2 支持向量机和粗糙集理论
• 2.1 支持向量机基础
• 2.1.1 机器学习的基本问题
• 2.1.2 经验风险最小化原则
• 2.1.3 结构风险最小化原则
• 2.2 支持向量机
• 2.2.1 线性支持向量机：可分情况
• 2.2.2 线性支持向量机：不可分情况
• 2.2.3 非线性支持向量机
• 2.3 粗糙集基本理论
• 2.3.1 粗糙集中的几个重要的概念
• 2.3.2 决策表的属性约简
• 2.3.3 几种属性约简算法
• 3 支持向量机算法及改进
• 3.1 选块算法（Chunking 算法）
• 3.2 固定工作样本集算法（Osuna 算法）
• 3.3 序列最小最优化算法（Sequential Minimal Optimization ，SMO）
• 3.3.1 SMO 算法的原理
• 3.3.2 SMO 算法的改进
• 4 基于支持向量机的个人信用评估模型
• 4.1 数据的采集和预处理
• 4.1.1 数据清理
• 4.1.2 数据集成
• 4.1.3 数据变换
• 4.1.4 数据归约
• 4.1.5 粗糙集和支持向量机的结合
• 4.2 信用评估模型中的几个问题
• 4.2.1 数据集的划分
• 4.2.2 训练算法的选取
• 4.2.3 核函数的选取
• 4.2.4 核参数的选取
• 4.3 SVM 模型的建立
• 4.3.1 SMO 算法的描述
• 4.3.2 客户信用风险评估模型
• 4.4 预测模型准确率对比
• 5 结论
• 5.1 全文总结
• 5.2 研究展望
• 5.3 结束语
• 参考文献
• 作者简历
• 学位论文数据集