客户信用评估半监督协同训练模型研究

发布时间：2020-12-26 13:54

　　在现实的很多信用评估问题中,由于对样本进行类别标记需要花费大量的人力、财力和物力,往往只能获取少量有类别标签的样本来训练分类模型,而把数据库中大量无类别标签的客户样本舍弃。为解决这一问题,本研究引入半监督学习技术,并将其与多分类器集成技术中的随机子空间方法(Random Subspace,RSS)相结合,构建了类别不平衡环境下基于RSS的半监督协同训练模型RSSCI。该模型主要包括三个阶段:1)使用RSS方法训练得到若干基本分类器;2)从大量无类别标签数据集中选择性标记一部分最合适的样本加入到原始训练集中;3)在最终的训练集上训练分类模型,并对测试集样本进行分类。在三个客户信用评估数据集上进行实证分析,结果表明,RSSCI模型的信用评估性能不仅优于常用的监督式集成信用评估模型,也优于已有的一些半监督协同训练信用评估模型。 

【文章来源】：中国管理科学. 2016年06期 北大核心CSSCI

【文章页数】：8 页

【文章目录】：
1 引言
2 类别不平衡环境下的半监督协同训练模型
    2.1 模型构建的基本思路
    2.2 类别分布不平衡数据的处理
    2.3 无类别标签样本的选择性标记
    2.4 详细建模步骤
3 实证分析
    3.1 数据集介绍
    3.2 实验设置
    3.3 模型评价准则
    3.4 重抽样和选择性标记对RSSCI模型性能的影响分析
    3.5 与其它模型的性能比较
4 结语


【参考文献】：
期刊论文
[1]基于随机特征子空间的半监督情感分类方法研究[J]. 苏艳,居胜峰,王中卿,李寿山,周国栋.  中文信息学报. 2012(04)
[2]模糊近似支持向量机模型及其在信用风险评估中的应用[J]. 姚潇,余乐安.  系统工程理论与实践. 2012(03)
[3]信用评估中的鲁棒赋权自适应L_p最小二乘支持向量机方法[J]. 刘京礼,李建平,徐伟宣,石勇.  中国管理科学. 2010(05)
[4]基于随机子空间的半监督协同训练算法[J]. 王娇,罗四维,曾宪华.  电子学报. 2008(S1)
[5]基于支持向量机集成的电子商务环境下客户信用评估模型研究[J]. 吴冲,夏晗.  中国管理科学. 2008(S1)
[6]扩展的树增强朴素贝叶斯网络信用评估模型[J]. 李旭升,郭春香,郭耀煌.  系统工程理论与实践. 2008(06)
[7]商业银行信用风险评估预测模型研究[J]. 于立勇.  管理科学学报. 2003(05)
[8]基于遗传规划方法的商业银行信用风险评估模型[J]. 王春峰,康莉.  系统工程理论与实践. 2001(02)
[9]基于神经网络技术的商业银行信用风险评估[J]. 王春峰,万海晖,张维.  系统工程理论与实践. 1999(09)



本文编号：2939825