基于随机森林和BP神经网络的个人信用评估比较分析

发布时间：2022-01-25 10:52

　　随着互联网金融的发展,人们对于借贷与投资不再单纯的满足于传统的银行等金融机构,而是渐渐转向更加方便快捷的网络借贷,P2P网络借贷就作为重要的一部分支撑着人们借贷与投资的需求,在这种大背景下,个人信用显得尤为重要,信用风险也成为各大网络平台不可忽视的最大风险。本文聚焦于个人信用风险评估,选择集成分类器随机森林和误差反向传播神经网络来搭建信用风险评估模型。随机森林算法能够提供较高的分类精度,而且不容易产生过度拟合,有着较高的稳定性,对于特征维度较高且类型不一纷繁复杂的个人信用数据来说,随机森林算法相比于传统单分类器模型能够更好的处理信贷风险评估问题。误差反向传播神经网络具备强大的学习能力,对于复杂的个人信用数据也能提供较高的分类精度,缺点就是稳定性比较差。本文利用美国Lending Club公开数据集,通过一系列数据清洗、转换、筛选等预处理方法,分别构建了基于随机森林和BP神经网络的个人信用风险评估模型,并与Logistic回归模型作了简单的对比,发现三种模型在信贷风险评估方面各有优劣,进而将三种模型通过投票的方式组合成新的模型并用来建模,结果发现分类效果好于三种模型单独的效果。随后还试验... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
一 前言
    1.1 研究背景
    1.2 信用评估方法文献综述
    1.3 分类性能评价常用指标
    1.4 论文结构
二 随机森林理论概述
    2.1 决策树方法
    2.2 Bagging方法
    2.3 随机森林(Random Forest)
三 BP神经网络理论概述
    3.1 人工神经网络
    3.2 神经网络的结构
    3.3 误差逆传播算法
四 数据预处理及特征选择
    4.1 数据介绍
    4.2 数据预处理
    4.3 特征选择
五 信用风险评估实证研究
    5.1 Logisitic回归
    5.2 随机森林
    5.3 BP神经网络
    5.4 组合模型
    5.5 重采样均衡数据
    5.6 小结
六 总结与展望
参考文献
致谢
附录
学位论文评阅及答辩情况表


【参考文献】：
期刊论文
[1]变量筛选后的个人信贷评分模型与统计学习[J]. 陈秋华,杨慧荣,崔恒建.  数理统计与管理. 2020(02)
[2]基于集成模型的个人信用风险评估研究[J]. 李思瑶.  时代金融. 2020(05)
[3]基于改进的随机森林模型的个人信用风险评估研究[J]. 周永圣,崔佳丽,周琳云,孙红霞,刘淑芹.  征信. 2020(01)
[4]互联网金融个人信用风险评估的指标选择方法[J]. 曾鸣,谢佳.  时代金融. 2019(33)
[5]融合深度神经网络的个人信用评估方法[J]. 王重仁,王雯,佘杰,凌晨.  计算机工程. 2020(10)
[6]组合核支持向量机个人信用评估模型[J]. 张玥,赵凯,黄全生.  重庆工商大学学报(自然科学版). 2019(05)
[7]大数据背景下个人信用评估体系建设和评估模型构建[J]. 张晨,万相昱.  征信. 2019(10)
[8]互联网金融背景下基于数据分析的个人信用评估研究[J]. 湛维明,王佳.  无线互联科技. 2019(16)
[9]个人信用评分体系比较研究及其当代价值[J]. 余炫朴,李志强,段梅.  江西师范大学学报(哲学社会科学版). 2019(04)
[10]基于随机森林的信用评估特征选择[J]. 王妍.  黑龙江科学. 2019(14)

博士论文
[1]个人信用评分组合模型研究与应用[D]. 向晖.湖南大学 2011

硕士论文
[1]基于互联网金融数据的个人信用评分模型研究及应用[D]. 张海潮.浙江工商大学 2020
[2]个人消费信贷风险的识别和预警[D]. 甘蔷.浙江大学 2019
[3]基于数据挖掘的P2P网贷个人信用评价模型研究[D]. 孙鹿.云南师范大学 2018
[4]随机森林在P2P网贷借款信用风险评估中的应用[D]. 徐婷婷.山东大学 2017
[5]投票式组合预测模型在个人信用评估中的应用研究[D]. 王雪.哈尔滨工业大学 2011
[6]个人信用评估模型研究[D]. 刘征.西南财经大学 2006
[7]基于神经网络的个人信用模型[D]. 胡勇.西南财经大学 2006
[8]基于神经网络的个人信用评估体系研究[D]. 李刚.华中科技大学 2005



本文编号：3608408