结合深度自编码网络与支持向量机的个人信用评估组合模型研究
发布时间：2021-04-11 21:18
自改革开放以来,我国的社会主义市场经济制度日趋完善。为了扩大国内市场需求,银行信用贷款、蚂蚁花呗等个人信用借贷平台如雨后春笋般不断推出,个人信用消费行为日趋增多。个人信用评估开始受到政府和企业的重视,并成为了金融行业尤其是银行业的研究热点之一。深度自编码网络可以提取数据的深度特征而核支持向量机在处理“小样本,大数据”时具有高分类精度。本文结合深度自编码网络和核支持向量机技术对个人信用评估模型展开研究。论文的主要内容包括以下几个部分:构建基于热核支持向量机的个人信用评估模型。热核是一种利用图的邻接关系来构造的核函数,在处理图像分类等问题取得良好的效果。本文提出基于热核支持向量机的个人信用评估模型。实验表明,热核的个人信用评估能力高于多项式核、二层神经网络核和Gauss径向基核;在德国,信用历史、现有的支票账户状态、其他债务人、贷款目的、存款、财产、房屋、工作信用历史,已工作时间,住房和职业是评价个人信用的重要属性;而在中国,信用历史、工龄、职业和住房是评价个人信用的重要属性。构建融合多核支持向量机的个人信用评估模型。根据评估个人信用等级的指标数据的不同类型,选择了直方图交叉核、热核、广义...
【文章来源】：安徽工程大学安徽省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
图１－２知网个人评估方法检索结果??由图１－２，我们可以发现：在个人信用评估领域，深度学习、机器学习和数??
其中ｓｇｎ〇为符号函数，就可以用公式（３．１）的函数类别判别样本ｘ的类型。为了??找到最优超平面（因为其具有较好的推广能力），我们考虑两个分别在最优超平面??两边的规范化的分类超平面：ｇ（ｘ）?＝?±ｌ。如图３－１所示易知这两个超平面间的间??隔就是。??Ｈ??个????令?｛４冰”＋办）＝＋１｝??｛ａ－｜（ｗ？．Ｙ?＋?６）?＝?０｝?＾??｛ｘｌ（ｗ＞ｘ＋／？）?＝?－！｝?Ｎｖ?＇？■７＾?＃??Ｖ?．．．．．ｗ??图３－１支持向量机超平面的建立??于是，求解最优化超平面的问题就成为：??ｍｉｎ?去?（３．２）??＼＼＼ｂ??ｓ．ｔ．?ｙｔ?［（ｗ－ｘ（．）＋ｆｅ］－ｌ?＞０，／?＝?（３．３）??这是一个不等式约束下的优化问题，可以通过拉格朗日法求解。对于每个??样本引入一个拉格朗日系数ａ，．?２?０，／?＝?１，２，…，Ｍ。可以把公式（３．２）和公式（３．３）的??优化问题等价地转化为下面的问题：??ｍｉｎ?ｍａｘ?Ｌ｛ｗ＼ｂ，ａ）－?—?［ｗ－ｗ）－＇＾＿ｉａｊ＾Ｌｙｉ（ｗ－ｘｉ）?＋?ｂ＇＼－＼｝?（３．４）??ｗ，ｂ?ａ?２?＾??式中是拉格朗日泛函，公式（３．２），公式（３．３）的等价解等于式（３．４）对ｗ??和办求最小
３．３．１实验数据??本章实验配置如图２－１所示，并利用德国ＵＣＩ数据库与中国某商业银行客??户信息中的信息进行实验，对这些数据进行概化处理，如表２－１与表２—２中所示。??在多项式核、Ｇａｕｓｓ径向基核和二层神经网络核的参数选择中，我们参考了刘??文杰等［１９］实验中设置的参数对我们的数据进行实验。对于德国ＵＣＩ数据库??１５０００条客户信息，我们随机抽取１００００样本进行实验；对于中国某商业银行??客户信息，由于仅有１〇〇〇条个人信用评估数据，我们将这１０００个信用数据全??部作为样本进行实验。??３．３．２德国ＵＣＩ数据库实验??在德国ＵＣＩ数据库中，首先寻找热核支持向量机模型的最优参数：??热核特征核参数与正确＾??????０．８６?ｉ?１?１?１?１?１??
【参考文献】：
期刊论文
[1]基于深度学习特征和支持向量机的遥感图像分类[J]. 业巧林,许等平,张冬. 林业工程学报. 2019(02)
[2]不同核函数支持向量机和可见-近红外光谱的多种植被叶片生化组分估算[J]. 陈方圆,周鑫,陈奕云,王奕涵,刘会增,王俊杰,邬国锋. 光谱学与光谱分析. 2019(02)
[3]基于深度自编码网络的舰船辐射噪声分类识别[J]. 严韶光,康春玉,夏志军,李昆鹏. 舰船科学技术. 2019(03)
[4]应用深度自编码网络和XGBoost的风电机组发电机故障诊断[J]. 赵洪山,闫西慧,王桂兰,尹相龙. 电力系统自动化. 2019(01)
[5]支持向量机和Logistic回归模型在个人信用预测中的应用[J]. 田嘉武. 区域金融研究. 2018(11)
[6]基于迭代自适应随机决策树的个人信用评估模型研究[J]. 兰军,严广乐. 经济数学. 2018(03)
[7]基于深度学习的支持向量机的信息安全检测和预警研究[J]. 王贵喜. 微型电脑应用. 2018(06)
[8]基于多模型融合的互联网信贷个人信用评估方法[J]. 白鹏飞,安琪,Nicolaas Fransde ROOIJ,李楠,周国富. 华南师范大学学报(自然科学版). 2017(06)
[9]基于KPCA和近红外光谱的鉴别玉米单倍体方法研究[J]. 刘文杰,李卫军,李浩光,覃鸿,宁欣. 光谱学与光谱分析. 2017(07)
[10]支持向量机对股票价格涨跌的预测[J]. 张建宽,盛炎平. 北京信息科技大学学报(自然科学版). 2017(03)
硕士论文
[1]基于支持向量机的个人信用评估研究[D]. 赏东东.北京化工大学 2017
[2]基于贝叶斯网络理论的个人信用评价模型研究[D]. 张耀辉.安徽财经大学 2016
本文编号：3131975
【文章来源】：安徽工程大学安徽省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
图１－２知网个人评估方法检索结果??由图１－２，我们可以发现：在个人信用评估领域，深度学习、机器学习和数??
其中ｓｇｎ〇为符号函数，就可以用公式（３．１）的函数类别判别样本ｘ的类型。为了??找到最优超平面（因为其具有较好的推广能力），我们考虑两个分别在最优超平面??两边的规范化的分类超平面：ｇ（ｘ）?＝?±ｌ。如图３－１所示易知这两个超平面间的间??隔就是。??Ｈ??个????令?｛４冰”＋办）＝＋１｝??｛ａ－｜（ｗ？．Ｙ?＋?６）?＝?０｝?＾??｛ｘｌ（ｗ＞ｘ＋／？）?＝?－！｝?Ｎｖ?＇？■７＾?＃??Ｖ?．．．．．ｗ??图３－１支持向量机超平面的建立??于是，求解最优化超平面的问题就成为：??ｍｉｎ?去?（３．２）??＼＼＼ｂ??ｓ．ｔ．?ｙｔ?［（ｗ－ｘ（．）＋ｆｅ］－ｌ?＞０，／?＝?（３．３）??这是一个不等式约束下的优化问题，可以通过拉格朗日法求解。对于每个??样本引入一个拉格朗日系数ａ，．?２?０，／?＝?１，２，…，Ｍ。可以把公式（３．２）和公式（３．３）的??优化问题等价地转化为下面的问题：??ｍｉｎ?ｍａｘ?Ｌ｛ｗ＼ｂ，ａ）－?—?［ｗ－ｗ）－＇＾＿ｉａｊ＾Ｌｙｉ（ｗ－ｘｉ）?＋?ｂ＇＼－＼｝?（３．４）??ｗ，ｂ?ａ?２?＾??式中是拉格朗日泛函，公式（３．２），公式（３．３）的等价解等于式（３．４）对ｗ??和办求最小
３．３．１实验数据??本章实验配置如图２－１所示，并利用德国ＵＣＩ数据库与中国某商业银行客??户信息中的信息进行实验，对这些数据进行概化处理，如表２－１与表２—２中所示。??在多项式核、Ｇａｕｓｓ径向基核和二层神经网络核的参数选择中，我们参考了刘??文杰等［１９］实验中设置的参数对我们的数据进行实验。对于德国ＵＣＩ数据库??１５０００条客户信息，我们随机抽取１００００样本进行实验；对于中国某商业银行??客户信息，由于仅有１〇〇〇条个人信用评估数据，我们将这１０００个信用数据全??部作为样本进行实验。??３．３．２德国ＵＣＩ数据库实验??在德国ＵＣＩ数据库中，首先寻找热核支持向量机模型的最优参数：??热核特征核参数与正确＾??????０．８６?ｉ?１?１?１?１?１??
【参考文献】：
期刊论文
[1]基于深度学习特征和支持向量机的遥感图像分类[J]. 业巧林,许等平,张冬. 林业工程学报. 2019(02)
[2]不同核函数支持向量机和可见-近红外光谱的多种植被叶片生化组分估算[J]. 陈方圆,周鑫,陈奕云,王奕涵,刘会增,王俊杰,邬国锋. 光谱学与光谱分析. 2019(02)
[3]基于深度自编码网络的舰船辐射噪声分类识别[J]. 严韶光,康春玉,夏志军,李昆鹏. 舰船科学技术. 2019(03)
[4]应用深度自编码网络和XGBoost的风电机组发电机故障诊断[J]. 赵洪山,闫西慧,王桂兰,尹相龙. 电力系统自动化. 2019(01)
[5]支持向量机和Logistic回归模型在个人信用预测中的应用[J]. 田嘉武. 区域金融研究. 2018(11)
[6]基于迭代自适应随机决策树的个人信用评估模型研究[J]. 兰军,严广乐. 经济数学. 2018(03)
[7]基于深度学习的支持向量机的信息安全检测和预警研究[J]. 王贵喜. 微型电脑应用. 2018(06)
[8]基于多模型融合的互联网信贷个人信用评估方法[J]. 白鹏飞,安琪,Nicolaas Fransde ROOIJ,李楠,周国富. 华南师范大学学报(自然科学版). 2017(06)
[9]基于KPCA和近红外光谱的鉴别玉米单倍体方法研究[J]. 刘文杰,李卫军,李浩光,覃鸿,宁欣. 光谱学与光谱分析. 2017(07)
[10]支持向量机对股票价格涨跌的预测[J]. 张建宽,盛炎平. 北京信息科技大学学报(自然科学版). 2017(03)
硕士论文
[1]基于支持向量机的个人信用评估研究[D]. 赏东东.北京化工大学 2017
[2]基于贝叶斯网络理论的个人信用评价模型研究[D]. 张耀辉.安徽财经大学 2016
本文编号：3131975
本文链接：https://www.wllwen.com/jingjilunwen/huobiyinxinglunwen/3131975.html
