自適應(yīng)KNN分類算法及其在個人信用風(fēng)險評估中的應(yīng)用.pdf

1、參數(shù)k值的合理選取是KNN算法設(shè)計中的一個難點問題。目前k值一般憑經(jīng)驗選取，而且傳統(tǒng)的KNN算法中所有的測試樣本都用一個k值，這對于分布不均勻的樣本來說顯然是不合理的，可能會降低分類的正確率。個人的信用問題是貸款違約的主要原因，建立有效的個人信用風(fēng)險評估系統(tǒng)能降低銀行的投資風(fēng)險。為有效評估個人的信用風(fēng)險，越來越多的學(xué)者開始把數(shù)據(jù)挖掘技術(shù)與個人的信用風(fēng)險評估結(jié)合起來，設(shè)計或開發(fā)基于數(shù)據(jù)挖掘的個人信用風(fēng)險評估模型，但在針對個人信用信息的自適

2、應(yīng)挖掘方面的研究還缺乏應(yīng)有的成果。本文主要研究的是自適應(yīng)KNN分類算法及其在個人信用風(fēng)險評估中的應(yīng)用。
　　本文完成的主要工作如下:
　　(1)針對KNN算法中k值需要提前設(shè)定而且是固定的缺點，提出一種基于局部密度和純度的自適應(yīng)KNN分類算法，該算法綜合考慮測試樣本的局部密度以及最大類所占的比重，測試樣本選擇可信度高的k值，使得測試樣本的k值是通過學(xué)習(xí)樣本的相關(guān)性得到的，而不是人為設(shè)定的，對于不同的測試樣本選取的k值也不固定

3、，從而提高了分類的正確率。算法可以用于無法通過經(jīng)驗或者需要長時間實驗選取k值的情況，在一定程度上減少選取k值的時間。
　　(2)在個人信用風(fēng)險評估模型中，引入KNN分類算法?？紤]到評估個人信用時，樣本的每個屬性所占的地位不同，可能有的特征對信用影響比較大，有的特征對信用的影響不大。對特征屬性加權(quán)，提出一種改進的特征屬性加權(quán)的KNN分類算法，然后將k值自適應(yīng)的加權(quán)KNN分類算法應(yīng)用于個人信用風(fēng)險評估中，實驗結(jié)果表明本文提出的算法對于