資源描述：
《基于支持向量機(jī)的個(gè)人信用評(píng)估關(guān)鍵技術(shù)研究與實(shí)現(xiàn)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、中文圖書分類號(hào)：TP391密級(jí)：公開UDC：004學(xué)校代碼：10005碩士學(xué)位論文MASTERALDISSERTATION論文題目：基于支持向量機(jī)的個(gè)人信用評(píng)估關(guān)鍵技術(shù)研究與實(shí)現(xiàn)論文作者：蔣雨辰學(xué)科：計(jì)算機(jī)科學(xué)與技術(shù)指導(dǎo)教師：蔡永泉教授論文提交日期：2017年4月UDC:P004學(xué)校代碼：10005中文圖書分類號(hào):TP391學(xué)號(hào)：S201407005密級(jí)：公開北京工業(yè)大學(xué)工學(xué)碩士學(xué)位論文題目:基于支持向量機(jī)：的個(gè)人信用評(píng)估關(guān)鍵技術(shù)研究與實(shí)現(xiàn)英文題目:RESEARCH：ANDIMPLEMENTATIONONCUSTOMER
2、CREDITCLASSIFICATIONBASEDONSVM論文作者：蔣雨辰學(xué)科專業(yè)：計(jì)算機(jī)科學(xué)與技術(shù)研究方向：機(jī)器學(xué)習(xí)申請(qǐng)學(xué)位：工學(xué)碩士指導(dǎo)教師：蔡永泉教授所在單位：信息學(xué)部答辯日期：2017年5月授予學(xué)位單位：北京工業(yè)大學(xué)獨(dú)創(chuàng)性聲明本人聲明所呈交的論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得北京工業(yè)大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中作了明
3、確的說明并表示了謝意。簽名：蔣雨辰日期：2017年5月22日關(guān)于論文使用授權(quán)的說明本人完全了解北京工業(yè)大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，即：學(xué)校有權(quán)保留送交論文的復(fù)印件，允許論文被查閱和借閱；學(xué)?？梢怨颊撐牡娜炕虿糠謨?nèi)容，可以采用影印、縮印或其他復(fù)制手段保存論文。（保密的論文在解密后應(yīng)遵守此規(guī)定）簽名：蔣雨辰日期：2017年05月22日導(dǎo)師簽名：蔡永泉日期：2017年05月22日摘要摘要隨著消費(fèi)信貸市場(chǎng)的蓬勃發(fā)展，用戶規(guī)模和數(shù)據(jù)量出現(xiàn)了井噴式增長(zhǎng)，通過人工方式對(duì)所有用戶逐一進(jìn)行信用風(fēng)險(xiǎn)評(píng)估無法滿足日益增長(zhǎng)的市場(chǎng)需求。
4、基于機(jī)器學(xué)習(xí)的信用風(fēng)險(xiǎn)評(píng)估技術(shù)逐漸受到人們的追捧，支持向量機(jī)模型作為其中的佼佼者，為金融信貸機(jī)構(gòu)提供了一種高效、快捷的智能判別方法，但是模型的準(zhǔn)確率和訓(xùn)練速度還有待改進(jìn)。本文針對(duì)支持向量機(jī)的參數(shù)選擇過程和增量學(xué)習(xí)過程進(jìn)行了分析、研究和改進(jìn)：(1)針對(duì)錯(cuò)判履約客戶給信貸機(jī)構(gòu)帶來的損失和錯(cuò)判違約客戶造成的損失是不同的，引入一類錯(cuò)誤率和二類錯(cuò)誤率概念，提出基于兩類錯(cuò)誤率的加權(quán)調(diào)和均值代替?zhèn)鹘y(tǒng)的分類準(zhǔn)確率作為新的模型性能評(píng)價(jià)指標(biāo)。考慮到不同信貸機(jī)構(gòu)有不同的風(fēng)險(xiǎn)控制能力和意愿，加入風(fēng)險(xiǎn)系數(shù)對(duì)兩類錯(cuò)誤率進(jìn)行折衷。結(jié)果顯示加權(quán)調(diào)和均值
5、能夠更好地反映信貸機(jī)構(gòu)的期望盈虧情況，同時(shí)滿足不同信貸機(jī)構(gòu)的個(gè)性化需求。(2)針對(duì)支持向量機(jī)模型參數(shù)的選擇并沒有固定的方法和理論，建立基于混合蝙蝠算法的支持向量機(jī)參數(shù)選擇模型。支持向量機(jī)的參數(shù)懲罰因子C1，C2和核參數(shù)γ由蝙蝠個(gè)體的位置所體現(xiàn)，個(gè)體適應(yīng)度值由加權(quán)調(diào)和均值體現(xiàn)。引入差分進(jìn)化過程，蝙蝠種群在迭代過程中發(fā)生交叉、選擇和變異行為，增強(qiáng)算法的全局搜索能力。實(shí)驗(yàn)結(jié)果顯示，混合蝙蝠算法支持向量機(jī)參數(shù)選擇模型能夠提升其魯棒性和收斂精度并有效地緩解早熟收斂問題。(3)針對(duì)當(dāng)前增量算法過程中的訓(xùn)練時(shí)間過長(zhǎng)和訓(xùn)練效果不佳等問題
6、，提出了一種基于權(quán)重候選集思想的支持向量機(jī)增量學(xué)習(xí)算法。對(duì)于歷史訓(xùn)練集，利用基于超球和分類面的組合條件選取訓(xùn)練樣本點(diǎn)加帶權(quán)候選集，避免丟棄可能會(huì)成為支持向量的樣本點(diǎn)；對(duì)于增量樣本集而言，采用改進(jìn)的KKT(Karush-Kuhn-Tucker)條件對(duì)增量樣本進(jìn)行篩選，選取違反KKT條件和部分離最優(yōu)分類超平面較近的樣本點(diǎn)參與后續(xù)的訓(xùn)練。通過分析和實(shí)驗(yàn)，基于帶權(quán)候選集的支持向量機(jī)增量學(xué)習(xí)算法能夠有效地降低參與訓(xùn)練的樣本數(shù)量并同時(shí)保留潛在的支持向量集。關(guān)鍵詞：信用風(fēng)險(xiǎn)評(píng)估；支撐向量機(jī)；參數(shù)選擇；蝙蝠算法；增量學(xué)習(xí)-I-Abstr
7、actAbstractWiththevigorousdevelopmentoftheconsumercreditmarket,thesizeoftheuserandtheamountofdatahassoaredtheseyears.ManualcreditriskAssessmentforalluserscannotmeetgrowingmarketdemands.Therefortechnologiesofcreditriskassessmentbasedonmachinelearningareincreasingl
8、ypopular,andSupportVectorMachine(SVM)model,oneofthebest,providesanefficient,fastintelligentdiscriminantmethodforfinancialinstitutions.However,theaccuracyandtra
