基于數(shù)據(jù)挖掘技術(shù)的微額借款用戶的信用預(yù)測(cè).pdf

1、隨著計(jì)算機(jī)技術(shù)的發(fā)展，數(shù)字化時(shí)代已經(jīng)到來(lái)。以互聯(lián)網(wǎng)、大數(shù)據(jù)為代表的這場(chǎng)技術(shù)革命正在引領(lǐng)人們加速進(jìn)入繼農(nóng)業(yè)時(shí)代、工業(yè)時(shí)代之后的又一個(gè)新的發(fā)展階段—數(shù)據(jù)時(shí)代。世界上百分之九十以上的數(shù)據(jù)都是近兩年產(chǎn)生的，然而龐大數(shù)據(jù)的背后是如何才能有效利用它們的問(wèn)題。數(shù)據(jù)挖掘就是為滿足人們對(duì)于數(shù)據(jù)中蘊(yùn)含信息的充分理解和有效運(yùn)用而發(fā)展起來(lái)的一門(mén)新興技術(shù)。
　　近幾年，伴隨著互聯(lián)網(wǎng)發(fā)展起來(lái)的還有線上金融服務(wù)等新型業(yè)務(wù)，其中小額貸款以其程序簡(jiǎn)單、資金靈活、貸

2、款范圍廣等優(yōu)勢(shì)迅速走紅，相應(yīng)的也給貸款機(jī)構(gòu)帶來(lái)了諸如:貸不貸，貸多少的問(wèn)題。要處理好這些問(wèn)題就要盡可能全面的了解貸款客戶的各項(xiàng)特征，把握客戶動(dòng)態(tài)，及時(shí)擬定有效的業(yè)務(wù)方案。貸款機(jī)構(gòu)在過(guò)去的業(yè)務(wù)實(shí)施過(guò)程中積累了大量數(shù)據(jù)，如何利用好這些數(shù)據(jù)成為解決問(wèn)題的關(guān)鍵。這里就可以運(yùn)用數(shù)據(jù)分析技術(shù)，對(duì)數(shù)據(jù)進(jìn)行分析，及時(shí)把握市場(chǎng)動(dòng)向，優(yōu)化業(yè)務(wù)模式。
　　本文就是基于微額速達(dá)金融服務(wù)公司提供的真實(shí)有效數(shù)據(jù)，詳細(xì)闡述了數(shù)據(jù)挖掘在微額借款用戶數(shù)據(jù)集中的應(yīng)用

3、。具體實(shí)施過(guò)程是:在R軟件中，首先利用sampleO將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，然后在訓(xùn)練集上進(jìn)行模型訓(xùn)練，在測(cè)試集上測(cè)試模型擬合效果。因?yàn)闇y(cè)試集數(shù)據(jù)結(jié)果是已知的，所以可以根據(jù)預(yù)測(cè)值與真實(shí)值的比例評(píng)價(jià)模型好壞。我們這里主要運(yùn)用了邏輯斯諦回歸、K最鄰近、決策樹(shù)和lasso回歸進(jìn)行建模分析，用它們得到的測(cè)試錯(cuò)誤率依次為:13.8％、10.98％、18.9％、10.5％。期間我們還對(duì)logistic回歸進(jìn)行了變量選擇，選擇后的測(cè)試錯(cuò)誤率為10

4、.8％，比全模型有所提升。對(duì)比這幾個(gè)模型的測(cè)試錯(cuò)誤率，lasso回歸的效果要稍微好一點(diǎn)。
　　文章不僅對(duì)數(shù)據(jù)挖掘和信用評(píng)估的基本理論知識(shí)作了介紹，也對(duì)信用評(píng)估的研究現(xiàn)狀做了深刻的分析說(shuō)明。大數(shù)據(jù)時(shí)代的來(lái)臨，給企業(yè)甚至是政府都帶來(lái)了很好的發(fā)展的契機(jī)，然而對(duì)數(shù)據(jù)的有效利用卻成為難題。本篇文章就以微額借款用戶數(shù)據(jù)的人品分析為例，向讀者展示了如何運(yùn)用數(shù)據(jù)挖掘技術(shù)對(duì)真實(shí)的企業(yè)數(shù)據(jù)進(jìn)行信息發(fā)現(xiàn)的過(guò)程。文章還對(duì)用到的挖掘技術(shù)的原理進(jìn)行了詳細(xì)介紹