非均衡數(shù)據(jù)分類算法及其在助學(xué)貸款風(fēng)險(xiǎn)管理中的應(yīng)用研究.pdf

1、非均衡數(shù)據(jù)集的分類是數(shù)據(jù)挖掘的任務(wù)之一,通常傳統(tǒng)分類方法應(yīng)用于非均衡數(shù)據(jù)集會帶來少數(shù)類分類精度的下降等問題,而非均衡數(shù)據(jù)集的預(yù)處理和分類器的優(yōu)化可以較好地提高少數(shù)類的分類精度。國家助學(xué)貸款的違約風(fēng)險(xiǎn)管理涉及到非均衡數(shù)據(jù)集的分類問題,有效預(yù)防和控制違約風(fēng)險(xiǎn)的發(fā)生始終是這個領(lǐng)域關(guān)注的重點(diǎn)。
　　本文圍繞非均衡數(shù)據(jù)集分類問題及其在助學(xué)貸款風(fēng)險(xiǎn)分類中的應(yīng)用做了如下工作:
　　對分類問題的研究現(xiàn)狀進(jìn)行了綜述。重點(diǎn)分析非均衡數(shù)據(jù)集分類所

2、面臨的困境及當(dāng)前國內(nèi)外在這一領(lǐng)域研究的主要方向,同時對比了國內(nèi)外非均衡分類技術(shù)在學(xué)生貸款風(fēng)險(xiǎn)管理分類及個人信用評估中的主要差異。指出我國在學(xué)生貸款信用風(fēng)險(xiǎn)管理定量研究方面的不足和制約因素。
　　圍繞非均衡數(shù)據(jù)集分類的兩個主要研究方向:數(shù)據(jù)集的預(yù)處理和分類算法的優(yōu)化開展了研究工作。分析了SMOTE重取樣技術(shù)的特點(diǎn)和不足之處,受封裝式屬性選擇思想的啟發(fā),提出了基于封裝式的少數(shù)類重取樣技術(shù)(WrapperSyntheticMinorit

3、yOver-samplingTechnique,Wrapper-SMOTE)來解決非均衡數(shù)據(jù)集的分類問題,通過UCI數(shù)據(jù)集的實(shí)驗(yàn)驗(yàn)證,該數(shù)據(jù)預(yù)處理方法與SMOTE方法相比進(jìn)一步提高了少數(shù)類分類的效率。
　　改進(jìn)了標(biāo)準(zhǔn)粒子群算法,提出基于遺傳選擇策略的粒子群算法(GeneticSelectionStrategyParticleSwarmOptimization,GSSPSO)。利用粒子群的尋優(yōu)特性,用改進(jìn)的粒子群來優(yōu)化支持向量機(jī)分類

4、器的參數(shù)。重點(diǎn)把支持向量機(jī)的損失參數(shù)C和權(quán)重參數(shù)Weight作為一個二維的粒子K(c,w),用GSSPSO進(jìn)行優(yōu)化并找到最佳適應(yīng)值,促使支持向量機(jī)優(yōu)化模型盡快找到面向非均衡數(shù)據(jù)不同類別錯分代價的合理權(quán)重,使得分類超平面盡可能偏向于少數(shù)類。實(shí)驗(yàn)證明優(yōu)化過的分類器提高了分類模型對少數(shù)類樣本數(shù)據(jù)的擬合程度,使分類的精度得到提高。
　　探索了我國助學(xué)貸款違約風(fēng)險(xiǎn)管理的定量研究方法。以武漢地區(qū)10所不同類別的高校2001年至2008年貸款學(xué)