基于混合蛙跳算法优化SVM的个人信用风险评估

发布时间：2024-06-28 02:28

　　针对支持向量机(SVM)进行信用风险评估存在模型参数难以确定的问题,本研究引入了混合蛙跳算法(SFLA)来优化SVM的超参数,并使用SFLA-SVM模型对个人信用风险进行评估,同时将该模型的评估结果分别与经网格法和遗传算法优化的SVM超参数评估结果进行对比。结果表明,基于SFLA-SVM的个人信用风险评估模型拥有更好的信用评估性能。

【文章页数】：2 页

【部分图文】：

图1SFLA迭代曲线

实验目标函数为寻找最优分类准确率(CVA),CVA越高，最佳适应度越大。图1为SFLA迭代曲线图，当SFLA进化到第10代时，此时误差达到最小，为8.6,CVA最高，蛙群中最佳适应度已经稳定在最大值。此时取得SVM最优C和g参数为47.5965和23.9250，其对应最优CV....

图2SFLA优化(C,g)的搜索位置图

运用SFLA对SVM超参数进行寻优，取得了最优超参数组(C,g)，并与训练样本建立了基于SFLA-SVM的个人信用风险评估模型。为了检验该模型的性能，用该模型对测试样本进行了测试，测试准确率为90%。为了验证SFLA-SVM模型的优越性，保持实验数据不变，分别采用网格搜索法(Gr....

本文编号：3996302