基于半监督学习的客户信用评估集成模型研究

发布时间：2018-04-30 02:00

本文选题：信用评估 + 类别分布不平衡　；参考：《软科学》2017年07期

【摘要】：将半监督学习技术与多分类器集成模型Bagging相结合,构建类别分布不平衡环境下基于Bagging的半监督集成模型(SSEBI),综合利用有、无类别标签的样本来提高模型的性能。该模型主要包括三个阶段:(1)从无类别标签数据集中选择性标记一部分样本并训练若干个基本分类器;(2)使用训练好的基本分类器对测试集样本进行分类;(3)对分类结果进行集成得到最终分类结果。在五个客户信用评估数据集上进行实证分析,结果表明本研究提出的SSEBI模型的有效性。
[Abstract]:The semi-supervised learning technology is combined with the multi-classifier integration model (Bagging) to construct a semi-supervised integration model based on Bagging in an unbalanced class distribution environment. The model can improve the performance of the model by synthetically using samples with or without class labels. The model consists of three stages: 1) selective marking of some samples from unclassified label data sets and training of several basic classifiers, using trained basic classifiers to classify test set samples The final classification result was obtained by fruit integration. An empirical analysis is carried out on five customer credit evaluation data sets. The results show that the proposed SSEBI model is effective.
【作者单位】：四川大学公共管理学院;四川大学商学院;
【基金】：国家自然科学基金项目(71471124) 四川大学哲学社会科学青年学术人才基金项目(skqx201607);四川大学一流大学建设人才人物培育工程专项(skzx2016-YCYW14);四川大学中央高校基本科研业务费研究专项(skzx2015-sb64)
【分类号】：F274

【相似文献】