吳尚智, 王旭文, 王志寧, 任藝璇

(西北師范大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，蘭州 730070)

個(gè)人信用評估是銀行對借款人信用的一種評估方式，通過科學(xué)方法，綜合考察影響個(gè)人的主客觀環(huán)境，評估用戶能否履行對銀行的經(jīng)濟(jì)承諾。

大數(shù)據(jù)時(shí)代，數(shù)據(jù)量越來越大。粗糙集理論是由波蘭數(shù)學(xué)家Z.Pawlak[1]提出，處理數(shù)據(jù)中模糊性、不可分辨性和不確定性問題的數(shù)學(xué)工具。屬性約簡是在保持知識庫分類能力不變的條件下，刪除其中不相關(guān)或不重要的知識，從而減少其對計(jì)算過程及最終結(jié)果產(chǎn)生的影響。因?qū)傩约s簡已被證明是一個(gè)NP[1]難題，且大量研究表明，對于復(fù)雜的問題，融合智能優(yōu)化算法比單一算法使用相同參數(shù)時(shí)性能優(yōu)化和魯棒性均有大幅度提升[2-3]。近年來，各類數(shù)據(jù)分析方法和預(yù)測模型在銀行借貸風(fēng)險(xiǎn)中得到廣泛應(yīng)用，S.Chatterjee等[4]將KNN算法應(yīng)用到評分模型中，先利用聚類將已有的客戶分開，再計(jì)算新用戶在歐式空間下與已有用戶的距離，判斷其屬于哪個(gè)類別；J.C.Wiginton[5]將Logistic回歸模型引入個(gè)人信用評估中有著穩(wěn)定性、準(zhǔn)確率高的優(yōu)點(diǎn)，得到大量使用；P.Makowski[6]將決策樹用于個(gè)人信用評估，主要用來處理確定信息；M.D.Odom等[7]將神經(jīng)網(wǎng)絡(luò)用于風(fēng)險(xiǎn)評估，其具有自主學(xué)習(xí)和高速尋找優(yōu)化解的能力；T.C.Forgarty等[8]將遺傳算法運(yùn)用到風(fēng)險(xiǎn)評估中的模型優(yōu)化；張佳維[9]將模糊理論和神經(jīng)網(wǎng)絡(luò)結(jié)合的模糊神經(jīng)網(wǎng)絡(luò)算法，通過調(diào)節(jié)參數(shù)，得到準(zhǔn)確性和精確性都很好的個(gè)人信用評分模型；B.Basense等[10]將支持向量機(jī)使用到個(gè)人信用評估中，研究表明數(shù)據(jù)維度較高的情況下，支持向量機(jī)模型明顯優(yōu)于神經(jīng)網(wǎng)絡(luò)和線性回歸模型；杜婷[11]將模糊支持向量機(jī)與一般的支持向量機(jī)模型對比，發(fā)現(xiàn)前者的準(zhǔn)確度更高，粗糙集不足在于對測試集的擬合功能不好，并且只能處理離散數(shù)據(jù)[12]；Jerzy Baszczyński等[13]使用了一種基于優(yōu)勢的粗糙集平衡規(guī)則集成(DRSA-BRE)，提出一種探索金融詐騙的技術(shù)；CHEN Hui-Ling等[14]將粗糙集和支持向量機(jī)結(jié)合使用乳腺癌數(shù)據(jù)，用RS屬性約簡算法進(jìn)行特征選擇，提高了支持向量機(jī)的診斷精度；PAI Ping-Feng等[15]提出了一種混合ST和DAGSVM的模型，利用SRST和HGSVM在分析中的獨(dú)特優(yōu)勢來預(yù)測匯率變動；ZHANG Xiaoyuan等[16]將粗糙集和支持向量機(jī)結(jié)合建立一種分類器，分析診斷HGU的振動故障，描述故障與其癥狀之間的復(fù)雜映射；李村合等[17]使用不等距超平面距離改進(jìn)原始的標(biāo)準(zhǔn)模糊支持向量機(jī)，通過計(jì)算樣本距離得到模糊隸屬度函數(shù)來改善樣本分布不均和噪聲數(shù)據(jù)導(dǎo)致的分類準(zhǔn)確率下降問題。

粗糙集對原始數(shù)據(jù)集進(jìn)行屬性約簡。支持向量機(jī)(support vector machine,簡稱SVM)模型能夠?qū)?fù)雜的高維非線性問題映射到線性空間，解決了高維非線性小樣本問題，同時(shí)SVM模型在優(yōu)化過程中收斂速度快、泛化能力強(qiáng)；因此，SVM的特點(diǎn)恰好和粗糙集互補(bǔ)，將其相互結(jié)合用于個(gè)人信用評估是非常必要的，為預(yù)防個(gè)人銀行借貸風(fēng)險(xiǎn)提供新的解決方法和思路[18-19]。

1 相關(guān)理論

1.1 粗糙集

知識表達(dá)系統(tǒng)的數(shù)據(jù)以關(guān)系表的形式表示。關(guān)系表的行對應(yīng)要研究的對象，列對應(yīng)對象的屬性，對象的信息是通過指定對象的各屬性值來表達(dá)。容易看出，一個(gè)屬性對應(yīng)一個(gè)等價(jià)關(guān)系，一個(gè)表可以看作是定義的一族等價(jià)關(guān)系，即知識庫[20]。

定義2假定R是論域U上的關(guān)系劃分，B是對任意屬性的子集，這里有B?R，假設(shè)IND(B)是一個(gè)不可分辨的二元關(guān)系，則有如下關(guān)系

IND(B)={(x,y)|(x,y)∈U2,

∨b∈B(b(x)=b(y))}

(1)

定義3設(shè)知識表達(dá)系統(tǒng)S=〈U,R,V,f〉，令X?U，B是X上的不可分辨關(guān)系，那么根據(jù)不可分辨關(guān)系B將X的下、上近似集定義如下

(2)

∧Yi∩X≠?)}

(3)

其中U|IND(B)={X|(X?U∧?x?y?b(b(x)=b(y)))} 為不可分辨關(guān)系B對論域U的劃分，同時(shí)也稱屬于X的論域U的基本集合。根據(jù)X的下、上近似值概念，定義如下

(4)

(5)

定義4定義決策表S=(U,C∪D)，其中屬性C∩D=?，令??X?C，??Y?D,U/Y≠U/δ={U}(這里，δ是全體劃分)。若有X0?X滿足：

①SX0(Y)=SX(Y)，即決策屬性??Y?D關(guān)于條件屬性??X?C的支持子集等于決策屬性Y?D關(guān)于條件屬性X0?X的支持子集。

②SX(Y)?XX′(Y)，若X′?X0?X。

按照上述描述，總能找到X的一個(gè)極小子集X0，即稱X0是X的一個(gè)約簡?？占?的約簡為?。

定義5屬性相似度[21]在一個(gè)知識表達(dá)系統(tǒng)S=〈U,C∪D,V,f〉中，C是條件屬性集，D是決策屬性，那么它們的相似度為

(6)

其中{c}可以是一個(gè)條件屬性或者幾個(gè)條件屬性的集合。相似度代表2個(gè)屬性之間或者2個(gè)屬性集之間的相關(guān)程度，如果相似度的值越大，就代表2個(gè)屬性之間或者2個(gè)屬性集之間的相關(guān)程度越高；若2個(gè)條件屬性之間的相關(guān)程度比與決策屬性間的相關(guān)度高，則2個(gè)條件屬性間的冗余性比較大。屬性ci與屬性cj的相似度為

(7)

當(dāng)s=1時(shí)，2個(gè)屬性可以相互替代；當(dāng)s=0時(shí)，2個(gè)屬性之間相互獨(dú)立，沒有任何關(guān)系。

1.2 基于相似度的屬性約簡算法

屬性約簡算法[21]基本思想：前提是在不改變決策表相似度的情況下，得到屬性的約簡。如果2個(gè)條件屬性間的相似度大于它們與決策屬性間的相似度，那么2個(gè)條件屬性間的冗余比較大，則將它們中相似度較小的一個(gè)條件屬性放入冗余屬性集，將其他的條件屬性集繼續(xù)與決策屬性集計(jì)算相似度，若相似度不變，則刪除該條件屬性，反之則保留。

1.3 支持向量機(jī)

支持向量機(jī)[18-19]是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器。假設(shè)訓(xùn)練樣本為{(x1,y1),(x2,y2),…,(xn,yn)}，其中yi∈{-1,1}, (i=1,2,3,…,n)，SVM利用樣本空間中的超平面將類別進(jìn)行區(qū)分(圖1)。

圖1 存在多個(gè)劃分超平面將兩類訓(xùn)練樣本分開Fig.1 Multiple partition hyperplanes separating the two types of training samples

圖1可以直觀地看出直線H1完美地將實(shí)心點(diǎn)和空心點(diǎn)分為2類。位于不同訓(xùn)練樣本正中間，稱為超平面。接下來根據(jù)訓(xùn)練樣本集計(jì)算最佳超平面(記為W)的方程，即W的方程表示為

wTx+b=0

(8)

其中，W的方向由法向量w=(w1,w2,…,wn)決定，原點(diǎn)與超平面的距離記為b。知道w和b之后，可以得到超平面W，此時(shí)劃分超平面可以記作(w,b)，任意一點(diǎn)與(w,b)的距離可以記作

(9)

假設(shè)劃分超平面可以將訓(xùn)練樣本集進(jìn)行正確地分類。

(10)

圖1中平面上的幾個(gè)點(diǎn)使公式(10)成立，這些點(diǎn)被稱為支持向量。2個(gè)類別都有支持向量，2個(gè)類別中的支持向量到超平面W的距離之和為

(11)

稱為間隔，如圖2。

圖2 支持向量與間隔Fig.2 Support vector and interval

根據(jù)以上描述，目標(biāo)函數(shù)可以被表現(xiàn)，得到目標(biāo)函數(shù)最優(yōu)解集后就可以找到最佳超平面W

(i=1,2,…,n)

(12)

為了解出w和b的估計(jì)值，只需要將‖w‖2最小化

(i=1,2,…,n)

(13)

公式(13)是支持向量的基本形式，簡稱為SVM。如果能求出目標(biāo)函數(shù)的最優(yōu)解，就可得到滿足條件的劃分超平面。

利用SVM分類的前提條件是訓(xùn)練樣本空間為線性可分；但在實(shí)際工作中部分?jǐn)?shù)據(jù)比較復(fù)雜，要使這些數(shù)據(jù)滿足要求，就需要借助一個(gè)核函數(shù)，將樣本集映射到高維空間，映射以后滿足了線性可分，就找到一個(gè)劃分超平面對樣本進(jìn)行分類。核函數(shù)有線性核函數(shù)(Linear)、多項(xiàng)式核函數(shù)(Poly)、高斯核函數(shù)(RBF)等，其公式分別如下：

(14)

多項(xiàng)式核函數(shù)：K(xi,x)=(xixT)d, (d≥0)

(15)

高斯核函數(shù)：K(xi,x)=exp(-γ|xi-x|2)

(16)

核函數(shù)還可以通過函數(shù)組合得到，例如：若k1和k2為核函數(shù)，則對于λ1和λ2其線性組合

λ1k1+λ2k2

(17)

2 利用粗糙集和支持向量機(jī)的銀行借貸風(fēng)險(xiǎn)預(yù)測模型

2.1 構(gòu)建模型

將粗糙集的屬性約簡和支持向量機(jī)的分類各自優(yōu)勢綜合，提出了一種屬性相似度的約簡算法與不同核函數(shù)的支持向量機(jī)相結(jié)合的銀行借貸風(fēng)險(xiǎn)預(yù)測模型。其基本思路是根據(jù)銀行借貸的特點(diǎn)和影響因素，借助某銀行的部分實(shí)例數(shù)據(jù)，用相似度的啟發(fā)式屬性約簡算法，對數(shù)據(jù)實(shí)現(xiàn)降維，同時(shí)降低了支持向量機(jī)模型的復(fù)雜度和計(jì)算量。最后用構(gòu)建預(yù)測模型對屬性約簡后的測試樣本進(jìn)行分類和借貸預(yù)測分析。預(yù)測模型流程圖如圖3。

圖3 預(yù)測模型流程圖Fig.3 Flow chart of prediction model

2.2 模型描述

利用粗糙集和支持向量機(jī)的銀行借貸風(fēng)險(xiǎn)預(yù)測模型：

輸入：個(gè)人信息數(shù)據(jù)表。

輸出：銀行是否同意借貸。

步驟1：將原始數(shù)據(jù)集進(jìn)行整理，刪除那些缺失值和異常值太多的樣本。

步驟2：用屬性相似度的約簡算法刪除那些冗余性過高的屬性。

①計(jì)算各個(gè)屬性與決策屬性的相似度。

②根據(jù)相似度大小進(jìn)行降序排序。

③完成遍歷條件屬性與決策屬性間的相似度判斷，去掉冗余屬性。

④找到最小屬性約簡，進(jìn)行步驟3。

步驟3：建立不同核函數(shù)的SVM模型。

①選擇公式(14)～(16)的不同核函數(shù)，確定核函數(shù)的參數(shù)。

②將訓(xùn)練樣本映射到高維空間。

③用SVM在樣本特征空間中找出2類樣本間的最優(yōu)超分類平面。

④得到代表各樣本特征的支持向量集。

⑤形成判斷類別的判斷函數(shù)。

⑥建立穩(wěn)定的SVM模型。

⑦將3種核函數(shù)都采用之后結(jié)束此步驟。

步驟4：對模型預(yù)測結(jié)果進(jìn)行分析。

2.3 影響因素分析

一般認(rèn)為，銀行借貸有2個(gè)基本條件：一是還貸能力，申請借貸的個(gè)人是否具有還貸能力，調(diào)查其現(xiàn)在擁有的資產(chǎn)情況，以及以后發(fā)展是否具有上升的潛力；二是信用情況，是調(diào)查其過去的借貸信息，落實(shí)其是否有過違約，違約次數(shù)、違約嚴(yán)重程度。因此銀行借貸與否與申請借貸人的還貸能力和信用情況有關(guān)。

3 實(shí)驗(yàn)結(jié)果及分析

文中用外國某銀行用戶信用數(shù)據(jù)集進(jìn)行實(shí)證研究，通過建立不同的模型得到的結(jié)果進(jìn)行分析比較，得出最后結(jié)論。

3.1 數(shù)據(jù)預(yù)處理

初始獲取的數(shù)據(jù)集中有1 136個(gè)樣本，每條數(shù)據(jù)含有24個(gè)變量。前23個(gè)輸入變量描述用戶信息特征，最后一個(gè)輸出變量描述銀行借貸情況，“0”表示拒絕借貸，“1”表示同意借貸。其中有8個(gè)變量為數(shù)值型數(shù)據(jù)，14個(gè)變量為分類型數(shù)據(jù)。變量描述如表1。

表1 數(shù)據(jù)集中的變量描述Table 1 Variable description in data set

所獲取的數(shù)據(jù)往往存在各種各樣的問題，例如數(shù)據(jù)丟失、異常值等，會影響后續(xù)實(shí)驗(yàn)。因此對數(shù)據(jù)集先進(jìn)行手動預(yù)處理，刪除那些屬性值丟失和異常值太多的數(shù)據(jù)。該數(shù)據(jù)集中有11個(gè)樣本的變量的屬性值缺失太多，作為無效數(shù)據(jù)舍去。因此，經(jīng)過前期處理后得到的實(shí)際樣本數(shù)為1 125條。本文將預(yù)處理后的樣本數(shù)據(jù)根據(jù)十折交叉驗(yàn)證[22]隨機(jī)劃分為兩部分，其中90%作為訓(xùn)練集訓(xùn)練模型，剩下10%作為測試集測試模型的效果。

3.2 實(shí)驗(yàn)結(jié)果分析

3.2.1 屬性約簡

輸入變量較多，推測條件變量中可能有冗余變量，不利于模型的訓(xùn)練預(yù)測，反而增加了訓(xùn)練模型時(shí)的復(fù)雜性，因此需要先進(jìn)行屬性約簡，剔除冗余性比較高的變量。

通過屬性約簡算法，對24個(gè)變量進(jìn)行屬性約簡，結(jié)果剩22個(gè)變量?？梢耘卸ㄔ跅l件屬性中，有2個(gè)屬性與其他屬性相似程度過高，刪除之后對決策屬性也無影響。根據(jù)屬性約簡算法輸出的結(jié)果，被刪除的變量為最高學(xué)歷與出生日期。對照原始數(shù)據(jù)集，可以看出最高學(xué)歷與教育水平相似度較高，出生日期與年齡相似度較高，而最高學(xué)歷較為規(guī)范，出生日期較為復(fù)雜，有比較大的冗余性，被刪除。

3.2.2 不同核函數(shù)分類效果對比

由于數(shù)據(jù)集所含的樣本比較多，屬性約簡后的數(shù)據(jù)集按照十折交叉驗(yàn)證的方法將數(shù)據(jù)集分為10等份，其中9份作為訓(xùn)練集，1份作為測試集，對信貸問題進(jìn)行分類最后計(jì)算10次預(yù)測準(zhǔn)確率的平均值，得到該核函數(shù)分類的準(zhǔn)確率。使用Python程序?qū)崿F(xiàn)算法，選取帶有不同參數(shù)不同核函數(shù)的支持向量機(jī)進(jìn)行分類，對預(yù)測結(jié)果進(jìn)行對比，根據(jù)預(yù)測準(zhǔn)確率分析其適用銀行借貸的程度。實(shí)驗(yàn)選用線性核函數(shù)、高斯核函數(shù)、多項(xiàng)式核函數(shù)以及組合核函數(shù)(線性核函數(shù)+多項(xiàng)式核函數(shù))等幾種常用核函數(shù)。其中核函數(shù)中有一個(gè)非常重要的參數(shù)，實(shí)驗(yàn)中P(懲罰系數(shù))均采用默認(rèn)值，改變各個(gè)核函數(shù)中最主要的一個(gè)參數(shù)進(jìn)行對比。

a.線性核函數(shù)分類結(jié)果及分析

線性核函數(shù)支持向量機(jī)(LN-SVM)模型預(yù)測的準(zhǔn)確率為77.04%，運(yùn)行時(shí)間為4.429 s。

線性核函數(shù)唯一的參數(shù)是P，其默認(rèn)值為1，P值越大越好，但可能會過擬合，線性核函數(shù)比較簡單，迅速知道哪些特征是最重要的。實(shí)驗(yàn)結(jié)果是線性核函數(shù)支持向量機(jī)模型的預(yù)測準(zhǔn)確率不高，運(yùn)行時(shí)間較快，分析得出其原因是線性核函數(shù)主要適用于線性可分?jǐn)?shù)據(jù)。

b.高斯核函數(shù)分類效果及分析

高斯核函數(shù)支持向量機(jī)(RBF-SVM)模型不同參數(shù)預(yù)測的準(zhǔn)確率以及運(yùn)行時(shí)間如表2。

表2 高斯核函數(shù)SVM模型運(yùn)行結(jié)果Table 2 Operation results of SVM model of Gaussian kernel function

高斯核函數(shù)支持向量機(jī)模型不同參數(shù)預(yù)測運(yùn)行時(shí)間折線如圖4。

圖4 高斯核函數(shù)運(yùn)行時(shí)間折線圖Fig.4 Graph showing Gaussian kernel function operation time

高斯核函數(shù)是一種局部性強(qiáng)的核函數(shù)，其將一個(gè)樣本映射到一個(gè)更高維的空間內(nèi)，采用向量作為自變量，局部性強(qiáng)、參數(shù)較少、有比較好的抗干擾能力，是核函數(shù)中應(yīng)用最廣的一個(gè)，無論大樣本還是小樣本都有比較好的性能，而且其相對于多項(xiàng)式核函數(shù)參數(shù)要少，因此大多數(shù)情況下在不知道用什么核函數(shù)的時(shí)候，優(yōu)先使用高斯核函數(shù)[19]。其參數(shù)γ值越小，分類界面越連續(xù)；γ值越大，分類界面越分散，分類效果越好。其函數(shù)作用范圍隨著參數(shù)γ的減小而減弱。由折線圖看，高斯核函數(shù)采用不同參數(shù)的情況下，運(yùn)行時(shí)間差異不大，運(yùn)行時(shí)間也不長。從實(shí)驗(yàn)結(jié)果看，當(dāng)γ=2-7時(shí)，分類準(zhǔn)確率最高，運(yùn)行時(shí)間與其他參數(shù)運(yùn)行時(shí)間相比也不算最長，因此是比較理想的實(shí)驗(yàn)結(jié)果。

c.多項(xiàng)式核函數(shù)分類效果及分析

多項(xiàng)式核函數(shù)支持向量機(jī)(PL-SVM)模型不同參數(shù)預(yù)測的準(zhǔn)確率以及運(yùn)行時(shí)間如表3。

表3 多項(xiàng)式核函數(shù)SVM模型運(yùn)行結(jié)果Table 3 Operation results of SVM model of polynomial kernel function

多項(xiàng)式核函數(shù)支持向量機(jī)模型不同參數(shù)預(yù)測運(yùn)行時(shí)間折線如圖5。

圖5 多項(xiàng)式核函數(shù)運(yùn)行時(shí)間折線圖Fig.5 Graph showing polynomial kernel function operation time

多項(xiàng)式核函數(shù)實(shí)現(xiàn)將低維的輸入空間映射到高維的特征空間;但是多項(xiàng)式核函數(shù)的參數(shù)多，當(dāng)多項(xiàng)式的階數(shù)比較高的時(shí)候，核矩陣的元素值將趨于無窮大或者無窮小，計(jì)算復(fù)雜度會大到無法計(jì)算[19]。實(shí)現(xiàn)將低維的輸入空間映射到高維的特征空間，參數(shù)d越大，映射的維度越高，計(jì)算量就會越大，學(xué)習(xí)復(fù)雜性越高。實(shí)驗(yàn)結(jié)果，當(dāng)參數(shù)d=1時(shí)，多項(xiàng)式核函數(shù)退化為線性核函數(shù)，與線性核函數(shù)的實(shí)驗(yàn)結(jié)果相同。隨著參數(shù)d的增大，多項(xiàng)式的次數(shù)越來越多，復(fù)雜性變高，實(shí)驗(yàn)的運(yùn)行時(shí)間越來越長；當(dāng)d=15時(shí)，運(yùn)行時(shí)間過長，已經(jīng)無法得到實(shí)驗(yàn)結(jié)果。

d.組合核函數(shù)(線性核函數(shù)+多項(xiàng)式核函數(shù))分類效果及分析

組合核函數(shù)(線性核函數(shù)+多項(xiàng)式核函數(shù))支持向量機(jī)(COM-SVM)模型預(yù)測的準(zhǔn)確率為79.13%，運(yùn)行時(shí)間為10.652 s。

組合核函數(shù)是將默認(rèn)參數(shù)的線性核函數(shù)和多項(xiàng)式核函數(shù)組合在一起作為新的核函數(shù)被支持向量機(jī)使用，具有線性核函數(shù)和多項(xiàng)式核函數(shù)的共同特點(diǎn)。實(shí)驗(yàn)結(jié)果是分類預(yù)測準(zhǔn)確率稍好于單個(gè)的核函數(shù)，運(yùn)行時(shí)間較長。

采用ROC曲線[23]對不同核函數(shù)下的評價(jià)模型進(jìn)行檢驗(yàn)。ROC曲線越陡，說明預(yù)測結(jié)果的準(zhǔn)確性就越高。圖6就是在訓(xùn)練模型和分類預(yù)測完成后根據(jù)分類結(jié)果使用Python中的sklearn庫畫出來的4種核函數(shù)下的SVM模型的成功率曲線。從ROC曲線看出：LN-SVM模型的成功率為64.9%；PL-SVM模型的成功率為71.4%；RBF-SVM模型的成功率為81.4%；COM-SVM模型的成功率為79.6%(圖6)。

圖6 不同核函數(shù)SVM模型的ROC曲線圖Fig.6 ROC curve of SVM model of different kernel functions

綜上所述，選取不同的核函數(shù)的支持向量機(jī)效果各異，從分類準(zhǔn)確率、運(yùn)行時(shí)間以及ROC曲線3個(gè)方面看，實(shí)驗(yàn)結(jié)果最好的是用高斯核函數(shù)的支持向量機(jī)。但是實(shí)驗(yàn)結(jié)果只能說明高斯核函數(shù)適合于本實(shí)驗(yàn)用的數(shù)據(jù)集，不能表明高斯核函數(shù)優(yōu)于其他核函數(shù)。從其他文章[24]看，高斯核函數(shù)適用于特征較少、樣本量適中的數(shù)據(jù)集，也正是本次實(shí)驗(yàn)使用數(shù)據(jù)集的特征。

4 結(jié) 論

構(gòu)建銀行信貸風(fēng)險(xiǎn)預(yù)測模型，用相似度屬性約簡算法對數(shù)據(jù)集進(jìn)行屬性約簡，再用支持向量機(jī)構(gòu)建分類模型，對測試集進(jìn)行分類，改變支持向量機(jī)的核函數(shù)以及各自的參數(shù)，通過實(shí)驗(yàn)進(jìn)行對比分析。實(shí)驗(yàn)結(jié)果，構(gòu)建預(yù)測模型可有效地預(yù)測銀行借貸風(fēng)險(xiǎn)，為銀行借貸提供依據(jù)，也可作為理論研究基礎(chǔ)，具有較高的實(shí)際應(yīng)用價(jià)值。但是，實(shí)驗(yàn)中找不到核函數(shù)的最優(yōu)參數(shù)使得預(yù)測準(zhǔn)確率達(dá)到最高，結(jié)合優(yōu)化方法尋找最優(yōu)參數(shù)有待進(jìn)一步研究。