王 濤

摘 要 隨著大數(shù)據(jù)時代的來臨，信用越來越成為機構(gòu)與機構(gòu)之間和機構(gòu)與政府之間能夠順利溝通的重要因素，但由于難以獲取中小企業(yè)的數(shù)據(jù)，針對一些企業(yè)征信的報告的研究探索分析還不夠豐富。然而企業(yè)信用預(yù)測不僅能夠分析出影響企業(yè)信用風(fēng)險的重要特征，而且還可以對企業(yè)的抗風(fēng)險能力作出預(yù)測，可見本文其重要意義。隨著機器學(xué)習(xí)的熱潮，決策樹算法發(fā)展最近幾年火速發(fā)展，該算法優(yōu)點繁多，穩(wěn)定，生成的決策規(guī)則易于理解，易于解釋，因此我們主要根據(jù)C&RT決策樹、隨機森林、梯度增強樹，這三個模型分別對中小企業(yè)的信用風(fēng)險進行預(yù)測，對比分析，希望通過分析征信報告中所列特征的數(shù)據(jù)，能夠識別出高違約風(fēng)險的企業(yè)，以達到警示放貸風(fēng)險的目的。

關(guān)鍵詞 機器學(xué)習(xí) 決策樹 Bootstrap 隨機森林 adaBoost GBDT

中圖分類號：TP311.13 文獻標(biāo)識碼：A 文章編號：1007-0745（2020）02-0052-03

在數(shù)據(jù)挖掘中決策樹方法[1]是一個有效并且常用的方法。它的目標(biāo)是創(chuàng)建一個模型來預(yù)測樣本的目標(biāo)值。這種決策樹的自頂向下歸納是貪心算法[2]一種，也是目前為止最為常用的一種訓(xùn)練方法，與相對其他的訓(xùn)練方法相比，決策樹最大的特點是符合人類的直覺，根據(jù)某些條件進行分類，具有很強的解釋性，有利于分析影響因素，[3]可使用決策樹方法分析影響違約風(fēng)險因素。

隨機森林是一個包含多個決策樹的分類器，并且其輸出的類別是由個別樹輸出的類別眾數(shù)而定。隨機森林的引入最初是由Leo Breiman[4]在一篇論文中提出的。這篇文章描述了一種結(jié)合隨機節(jié)點優(yōu)化和Bagging，利用了C&RT[5]過程構(gòu)建不相關(guān)樹的森林的方法。梯度提升是一種用于回歸和分類問題的機器學(xué)習(xí)技術(shù)，其產(chǎn)生的預(yù)測模型是弱預(yù)測模型的集成，如采用典型的決策樹作為弱預(yù)測模型，這時則為梯度提升樹（GBDT）。梯度提升的思想源自Leo Breiman[6]的一個觀察：可以將提升方法解釋為針對適當(dāng)成本函數(shù)的優(yōu)化算法。也就是通過不斷的弱分類模型集成最終得到一個強分類器。

本文第一部分概述，第二部分介紹C&RT決策樹、隨機森林、梯度增強樹的基本理論，第三部分進行數(shù)據(jù)預(yù)處理，第四部分進行數(shù)值實驗，第五部分結(jié)論。

1 模型

在本篇文章中我們從最基本的決策樹模型開始，延伸到隨機森林、梯度提升樹，介紹這些模型的基本概念、核心思想、以及三者之間的對比差異，接下來再對三個模型進行數(shù)據(jù)實驗，分析不同效果。

1.1 決策樹

決策樹是一個傳統(tǒng)的根據(jù)條件聚集的學(xué)習(xí)模型，在這里我們主要分析classification and Regression Tree（C&RT）。那么我們的決策樹模型可以表示為：

其中，c為每一個分支，G（x）為全體樹，b（x）為分枝規(guī)則， 為在c分枝時的子樹。我們主要從三個角度來討論C&RT。

（1）分枝的數(shù)量：由于是C＼&RT樹，那么我們假設(shè)每個節(jié)點都有且只有兩個子節(jié)點。

（2）分枝規(guī)則：

其中h（x）是分枝函數(shù)，分為左枝（c=1）和右（c=2）枝。上式第一項表示左（右）枝的數(shù)據(jù)集大小，第二項表示左（右）枝的純度大小。對于二分類決策樹來說，我們的純度用基尼指數(shù)來衡量

其中k是種類，n代表樣本數(shù)量，是當(dāng)時等于1，否則等于0。

（3）分枝終止條件：所有的y都一樣，也就是純度等于0。所有的x都一樣，則無法分為左右枝。

依據(jù)以上的三個條件，我們可以建立算法表示C&RT決策樹模型。

現(xiàn)在討論過擬合情況，我們需要剪枝。設(shè)為訓(xùn)練模型的誤差，那么對于過擬合情況來說則有，導(dǎo)致測試誤差大幅上升。為了降低擬合度，我們加入一個正則項：表示G樹的葉子數(shù)量。那么轉(zhuǎn)化為問題：

其中表示權(quán)衡參數(shù)。我們實驗時可以條件參數(shù)控制決策樹的深度，這個深度由葉子的數(shù)量來衡量，進而調(diào)控模型的過擬合程度[7]。

1.2 隨機森林

從決策樹的推導(dǎo)過程中發(fā)現(xiàn)，決策樹容易重現(xiàn)過擬合現(xiàn)象，也就是說當(dāng)我們的測試集合不一樣時，預(yù)測的方差比較大，為了降低這個方差，我們引入隨機森林[8]。首先在這里引入Bootstrap[9]：采用重復(fù)抽樣方法從初始樣本中抽取一定數(shù)量的樣本，此過程允許重復(fù)抽樣。應(yīng)用這個方法我們可以估計到很多不同的目標(biāo)函數(shù)，然后再來求這些目標(biāo)函數(shù)的均值即得到最終的目標(biāo)函數(shù)。我們將C&RT與Bootstrap結(jié)合起來，也就是說我們有以下過程：

（1）從總樣本n中，抽取樣本數(shù)量;

（2）由此樣本訓(xùn)練C&RT模型，得到目標(biāo)函數(shù);

（3）返回第一步，并且重復(fù)N次;

（4）最終目標(biāo)函數(shù)為。

在實驗的時候，我們可以控制N的大小，進而控制模型的擬合度。

1.3 梯度提升樹（GBDT）

首先梯度提升樹是自適應(yīng)增強Adaboost和C&RT的結(jié)合。那么我們先來介紹AdaBoost。AdaBoost方法[10]是一種迭代算法，它通過輸入不同弱分類器，不斷的調(diào)整樣本匹配權(quán)重，得到新的弱分類器，最后將所有分類器疊加[11]，那么Adaboost可以轉(zhuǎn)化為下面這個優(yōu)化問題：

其中h（x）是第t次擬合數(shù)據(jù)最佳的梯度變化量，也就是先求出第t次的gt，然后再求其對應(yīng)的最佳，最后我們求得的目標(biāo)函數(shù)是，對應(yīng)的GBDT可以轉(zhuǎn)化為下面的優(yōu)化問題：

其中，那么稱為殘差。因此，在使用平方損失函數(shù)時，GBDT算法的每一步在生成決策樹時只需要擬合前面的模型的殘差。

2 數(shù)據(jù)預(yù)處理

在這一部分我們首先對數(shù)據(jù)作簡單的介紹，用python對數(shù)據(jù)做缺失值處理，為了從特征中提取更多的信息，必須對特征進行特定屬性處理。針對本文章的數(shù)據(jù)特點，出現(xiàn)了類別不平衡的問題，下面我們給出具體的解決辦法。

2.1 數(shù)據(jù)介紹

數(shù)據(jù)來源于全國部分中小企業(yè)的政府登記數(shù)據(jù)，樣本數(shù)量為14366個，178個特征，1個標(biāo)簽。特征主要有以下部分：ID、企業(yè)類型、經(jīng)營期限至、登記機關(guān)、企業(yè)狀態(tài)、郵政編碼、投資總額、核準(zhǔn)日期、行業(yè)代碼、注銷時間、經(jīng)營期限自、成立日期、行業(yè)門類、企業(yè)類別、管轄機關(guān)、經(jīng)營范圍、城建稅、遞延收益、長期負債合計、長期借款、長期應(yīng)付款、短期借款、遞延所得稅負債、非流動負債合計、負債合計等共178個。

2.2 缺失值處理

查看發(fā)現(xiàn)許多特征缺失嚴(yán)重。我們特別刪除缺失比例超過70%的特征：經(jīng)營期限至，投資總額，注銷時間。

下面分析每個特征和標(biāo)簽之間的相關(guān)系數(shù)，并刪除相關(guān)系數(shù)不存在的特征，即：長期負債合計_年初數(shù)，其他負債（或長期負債）_年初數(shù)，其他應(yīng)交款_年初數(shù)，應(yīng)付福利費_年初數(shù)，預(yù)提費用_年初數(shù)，長期負債合計_年末數(shù)等。經(jīng)查看這些數(shù)據(jù)不僅缺失嚴(yán)重，而且值變化方差很小，故刪去。

最后對類型數(shù)據(jù)處理：郵政編碼、核準(zhǔn)日期、經(jīng)營期限、成立日期、經(jīng)營范圍和特殊無信息特征ID，由于處理較困難，這些特征都刪去。

在這些處理之后我們有152個特征，1個標(biāo)簽。為簡單起見，我們給每一列特征的缺失值賦值為該特征的均值。

2.3 類別不均衡處理

查看標(biāo)簽值{0，1}在樣本中所占的比例，我們發(fā)現(xiàn)未違約所占比例為93.4%，違約比例為6.6%，那么在這里我們需要處理類別不平衡問題。在這里主要有三種方式，我們主要采用第三種方式，對數(shù)據(jù)進行擴充。

（1）對較多的那個類別進行欠采樣（under-sampling），舍棄一部分數(shù)據(jù)，使其與較少類別的數(shù)據(jù)相當(dāng)。

（2）對較少的類別進行過采樣（over-sampling），重復(fù)使用一部分數(shù)據(jù)，使其與較多類別的數(shù)據(jù)相。

（3）對數(shù)據(jù)進行采用的過程中通過相似性同時生成并插樣“少數(shù)類別數(shù)據(jù)”，叫做SMOTE算法。具體SMOTE算法介紹可以參考[12]，SMOTE算法是對較少數(shù)類別的樣本進行擴充，擴充的方法類似于k近鄰方法進行樣本間差值，最后得到新的數(shù)據(jù)集合。

3 數(shù)值實驗

這一部分主要介紹擬合模型、參數(shù)的選擇、以及擬合的效果與分析。主要利用三個模型來進行擬合數(shù)據(jù)。

·決策樹

·隨機森林

·梯度上升樹（GBDT）

我們將數(shù)據(jù)的70%的作為訓(xùn)練集合，數(shù)據(jù)的30%作為測試集合，并做10層的交叉驗證。

經(jīng)查看表，我們可以看出企業(yè)所得稅、城建稅、印花稅對企業(yè)信用風(fēng)險的影響因素最大（如表1）。下面對幾個稅種做簡要介紹。

企業(yè)所得稅：是對我國境內(nèi)的企業(yè)和其他取得收入的組織的生產(chǎn)經(jīng)營所得和其他所得征收的一種所得稅。

城建稅：是以納稅人實際繳納的產(chǎn)品稅、增值稅、營業(yè)稅稅額為計稅依據(jù)。該稅主要有以下兩個特征：（1）以納稅人實際繳納的產(chǎn)品稅、增值稅、營業(yè)稅稅額為計稅依據(jù)，分別與產(chǎn)品稅、增值稅、營業(yè)稅同時繳納;（2）加強城市的維護建設(shè)，擴大和穩(wěn)定城市維護建設(shè)資金的來源。

印花稅：是對經(jīng)濟活動和經(jīng)濟交往中訂立、領(lǐng)受具有法律效力的憑證的行為所征收的一種稅。因采用在應(yīng)稅憑證上粘貼印花稅票作為完稅的標(biāo)志而得名。

再者對比分析三個模型，我們可以得到以下結(jié)論：

（1）決策樹在識別違約企業(yè)中，準(zhǔn)確率最高。

（2）隨機森林和GBDT這兩個模型效果差不多，因此復(fù)雜模型針對風(fēng)險問題可能是無力的。

（3）說明簡單模型的在某些情況下有可能是最好的。

4 結(jié)論

在中小企業(yè)信用評估過程中，企業(yè)借款違約不歸還本金和利息是比較常見的現(xiàn)象。如何控制企業(yè)風(fēng)險是中小企業(yè)健康發(fā)展的關(guān)鍵。本文站在銀行角度，研究企業(yè)這一主題的信用違約風(fēng)險的方法。通過總結(jié)和比較目前信用評估模型的基本原理和優(yōu)缺點，提出了應(yīng)用集成學(xué)習(xí)方法改進決策樹模型來度量企業(yè)信用違約風(fēng)險的思路。

本文采用的數(shù)據(jù)是全國部分中小企業(yè)的政府登記數(shù)據(jù)。我們采用協(xié)方差矩陣的形式，摘除部分步相關(guān)特征，在此數(shù)據(jù)的基礎(chǔ)上做缺失值處理。然而由于本數(shù)據(jù)類別不平衡問題嚴(yán)重，我們采用SMOTE算法進行數(shù)據(jù)預(yù)處理。接下來用決策樹，隨機森林，GBDT來進行分類評估效果，并取得了滿意的效果。

本文的主要結(jié)論如下：

第一：本文以中小企業(yè)這一貸款主體參與主體為切入點，研究其違約風(fēng)險度量方法的問題，目前國內(nèi)外對中國國內(nèi)中小企業(yè)信用違約風(fēng)險度量較少且都不夠深入，本文將中小企業(yè)信用風(fēng)險評估與集成學(xué)習(xí)聯(lián)系在一起，對中小企業(yè)的違約風(fēng)險進行了初步探究與度量。

第二：本文終結(jié)了決策樹中集中流行的風(fēng)險評估方法及其它們的應(yīng)用。通過比較幾類模型的優(yōu)缺點和幾種模型的側(cè)重點得到：決策樹容易過擬合，隨機森林可以有效的降低過擬合，GBDT可以關(guān)注于分錯的目標(biāo)，提高分類的準(zhǔn)確率，進而得出在本數(shù)據(jù)情況下，決策樹模型在識別企業(yè)有信用違約風(fēng)險有很大優(yōu)勢。

第三：本文最后得出對中小企業(yè)風(fēng)險影響的重要特征有以下十項：企業(yè)所得稅、城建稅、印花稅、增值稅、行業(yè)門類、管轄機關(guān)、企業(yè)狀態(tài)、行業(yè)代碼、注冊資本、存貨中的原材料_年末數(shù)，可以看出對中小企業(yè)運行影響最大的因素是稅收，隨著這幾年中小企業(yè)生存環(huán)境惡劣，對中小企業(yè)減稅不乏是一種很不錯的政策。

參考文獻：

[1] QUINLAN J R.Simplifying decision trees[J].International journal of man-machine studies，1987，27（03）：221–234.

[2] BLACK P E.Greedy algorithm[J].Dictionary of Algorithms and Data Structures，2005：2.

[3] 唐劍琴.基于決策樹算法的P2P網(wǎng)貸借款人違約風(fēng)險度量研究[D]. 湖南師范大學(xué).2016.

[4] BREIMAN L.Random forests[J].Machine learning， 2001，45（01）：5–32.

[5] SHALEV-SHWARTZ S，BEN-DAVID S.Understanding machine learning：From theory to algorithms[M].[S.l.]：Cambridge university press，2014.

[6] BREIMAN L.Arcing the edge[R].[S.l.]：Technical Report 486，Stati stics Depart-ment，University of California at...，1997.

[7] ABDI H，WILLIAMS L J.Principal component analysis[J].Wiley interdisci-plinary reviews：computational statistics，2010，02（04）：433–459.

[8] RODRIGUEZ J J，KUNCHEVA L I，ALONSO C J.Rotation fore st：A new clas-sifier ensemble method[J].IEEE transactions on pattern analysis and machine in-telligence，2006，28（10）：1619–1630.

[9] BREIMAN L.Bagging predictors[J].Machine learning，1996， 24（02）：123–140.

[10] FREUND Y，SCHAPIRE R E.A decision-theoretic generalization of on-line learning and an application to boosting[J].Journal of computer and system sci-ences，1997，55（01）：119–139.

[11] FRIEDMAN J H.Greedy function approximation：a gradient boosting machine[J].Annals of statistics，2001：1189–1232.

[12] CHAWLA N V，BOWYER K W，HALL L O，et al.SMOTE：synthe tic minority over-sampling technique[J].Journal of artificial intelligence research，2002，16：321–357.

上海對外經(jīng)貿(mào)大學(xué)，上海