毕业设计（论文）文献综述：机器学习之线性分类模型及应用研究

毕业设计（论文）--文献综述综述题目基于线性分类模型的个人信用评估专业信息与计算科学姓名学号指导教师

基于线性分类模型的个人信用评估摘要：在当今世界市场经济条件下，信用风险评估的重要性越来越被突出出来。如果不能科学准确的进行信用评估，不仅会影响到国家宏观政策的调控，严重的话，还会造成世界经济发展的不平稳。本文对个人信用评估进行解释与说明，阐述了神经网络、决策树和SVM三种算法的基本原理，运用RapidMiner工具分别对五组不同样本量的个人信用数据建立学习模型，并用交叉验证算法分析和验证模型。发现无论是小数据或大数据，还是对于某一类的预测精确度，SVM和决策树模型的准确率都较高、实用性强，具有进一步研究和推广应用的价值。同时给出了关于个人信用风险处理建议。关键词：个人信用风险评估；神经网络；SVM；决策树；RapidMinerPersonalCreditEvaluationBasedonLinearClassificationModelGongMing-Ming(SchoolofMathematicsandPhysics,AnhuiJianzhuUniversity,Hefei230601)Abstract：Intoday'sworldmarketeconomy,theimportanceofcreditriskassessmentismoreandmoreprominent.Ifnotscientificandaccuratecreditassessment,notonlywillaffectthenationalmacroeconomicpolicyregulation,serious,butalsocausetheworldeconomicdevelopmentisnotstable.Inthispaper,thepersonalcreditassessmentisexplainedandexplained.Thebasicprinciplesofneuralnetwork,decisiontreeandSVMareexpounded.TherapidMinertoolisusedtoestablishthelearningmodelforfivesetsofindividualcreditdata,andthecrossvalidationalgorithmisusedtoanalyzeandanalyzeValidationmodel.ItisfoundthattheaccuracyofSVManddecisiontreemodelishigh,practical,andhasthevalueoffurtherresearchandpopularization,whetheritissmalldataorlargedata,orforsomekindofpredictionaccuracy.Atthesametime,itgivessuggestionsonhowtodealwithpersonalcreditrisk.Keywords:Personalcreditevaluationmodel;NeuralNet;Supportvectormachine;Decisiontree;RapidMiner1.序论随着经济的快速发展，我国个人信贷业务，包括住房贷款、汽车消费贷款、信用卡业务在内的各种零售类贷款业务的规模正在迅速扩大。银行业的发展和人民生活水平的提高，使得个人和银行业联系越来越紧密，个人通过个人消费贷款和个人信用贷款与银行发生直接的关系[1]。银行业积极适应变化的市场环境，将零售业务提高到战略高度，个人信用体系的建立势在必行。同时，受金融危机的启示，一个适合的信用评估体系能够有效减少银行风险。因此，如何有效对个人信用进行评估、对个人信用风险加强防范措施，便成为了商业银行在竞争市场上的有利武器。个人信用风险管理在国内，已经受到越来越多的关注。2.研究背景我国的个人信用制度建设是在“九五”末期国内市场出现疲软、内需不足的形势下提出并开始起步的，是随着商业银行个人消费信贷业务的增加而产生的客观要求。近年来个人消费信贷业务在我国迅速发展，它在刺激消费需求、引导资金流向以及提高我国居民生活质量等方面都发挥着重要作用。然而我国个人信用体系建设起步较晚，与欧美等发达的信用体系相比，我国个人信用体系还不健全，发展程度较低，还没有形成相对完善的体系。首先，各家商业银行对个人信用等级的评估有各自不同标准，所以可能出现各评估机构对同一客户得出的不同评估结果，甚至完全相反的结果，这样既不利于个人信用体系在全国范围内推广，也不利于与国际的接轨；其次，我国个人信用评估指标体系的设计也存在不足，需要在以后的发展中逐步完善[2]。目前，虽然建立我国个人信用制度的经济条件已基本达到，但另一项不容忽视的问题就在于我国法律体系的不完善。同时，在配套政策方面，目前我国社会保障制度、个人破产制度、个人账户制度、个人财产申报制度等尚未出台，导致个人及其家庭的收入状况不透明，不但隐藏着严重的法律与道德风险，同时也使个人资信评估难以向国家机关和企事业单位推广[3]。专业人才的缺乏相对日益发展的信用管理行业以及个人信用体系所需的人才需求来说仍有很大的缺口。我国针对信用方面的立法仍有待完善。惩罚机制不健全且惩罚力度较小，不足以对社会的各种失信行为形成强有力的法律规范和约束[4]。3.研究意义随着商业银行的快速发展，个人信贷业务已经成为国内商业银行主要支柱业务之一。在发达的市场经济里，信用是个人经济行为的立足之本。个人信用风险评估是商业银行至关重要的领域，对商业银行来说，区分出好的借贷者和坏的借贷者是非常重要的。个人信用评估体系的建立是一项复杂的系统工程，是金融机构进行放贷的关键考察因素，也是信用社会发展的必然要求。研究科学合理的个人信用评估的方法将推动商业银行个人信用业务的拓展，随着网络的高速发展，在一定层度上解决了我国商业银行个人信贷业务手续繁杂、环节过多的劣势问题，在科学的基础上，简化手续、提高工作效率，为贷款客户提供更为优质、方便、快捷的服务，提高了商业银行在个人贷款业务领域的竞争能力与贷款管理水平。同时，选择运用科学合理的评估方法，确定贷款申请人的信用等级，并施以不同的信贷策略，提高对个人信贷决策的科学性与准确性，从而防范贷款风险，提高贷款质量和效益[5]。4.研究现状4.1国内研究现状从国内研究现状来看，由于历史和体制的原因，我国关于个人信用风险理论的研究起步较晚，从国内已有的有关个人信用的著作来看，主要集中于引进外国的个人信用评估方法，并基于我国个人信用评估的实际情况探讨我国建设个人评估体系中所涉及的法律、组织机构、征信数据开放以及个人信用评估指标体系等问题。随着改革开放进程的推进，国内经济迅速发展，我国个人信贷业务经过从无到有，信贷产品从零星到多样化，不断进步与壮大。个人综合授信业务作为近几年受客户追捧的信贷产品，其运作模式是先评级，后授信，再单笔置用，这就说明评好级，选准客户是综合授信业务的良好开端和关键。对客户信用评级的[6]准确与否直接关系到贷款的质量与银行的风险水平。个人信用评估是商业银行中个人信用体系建设的关键。目前，传统的主观判断客户信用水平的方法已失去了其先前的优越性，国外一些较完善的个人信用评分方法在我国又缺乏运用条件，而且在预测精度和效果的稳定性方面存在较大争议。鉴于我国商业银行经营风险和个人信用体系建设现状，根据某商业银行的大样本数据，我国通常利用决策树算法来建立个人信用评估决策树，为信用信息的分析提供一组判断规则[7]。4.2国外研究现状从现代个人信用的诞生至今，已经有近百年历史，在这一过程中，国外学者对个人信用评估进行了大量的研究。从20世纪80年代起，个人信用研究进入高速发展阶段，目前这方面已经出版了许多颇有影响的著作，关于个人信用方面的学术文章也层出不穷，这些研究成果极大地推进了个人消费市场规模的扩展，有效地拉动了市场需求，促进了各国的经济发展。由于信用评估问题受诸多因素的影响，目前的金融理论尚不能对这一问题在理论上做出满意的解释，国外商业银行通常根据历史上每个类别(按期还本付息、违约)的若干样本，从已知的数据中发现其规律，从而总结出分类的规则，建立判别模型，用于对新样本的识别。而学界对个人信用评分研究，早期多局限于模型的设计，近年来则将个人信用评分视为一个集数据预处理、指标体系筛选、模型设计为一体的系统评估方法。针对信用评估的非线性特征，一些学者尝试将统计学、数据挖掘以及机器学习等数据挖掘领域的最新成果，如多元判别分析、遗传算法、神经网络技术和支持向量机等算法应用于个人信用评分研究的各个环节，推动了信用评分研究的快速、全面发展。总结国内外部分学者所用的指标体系，可以归纳出他们主要考虑的指标包括：年龄、性别、婚否、工作性质、工作行业、工作稳定性、工作时间、在居住地时间、房屋保险收入及其变化、应征税资产拥有的其他资产银行账户信用报告、被查询的次数、已有无抵押贷款数额和个数、贷款数额是否有担保、信用时间长度、是否有其他贷款、是否有存款帐户等[8]。研究的内容和方法5.1研究的基本内容顾名思义，机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等。机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和智能计算的核心研究课题之一。现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展。本课题研究机器学习中比较基础的线性分类模型，以及误差分析，并将这些算法在某些领域中进行应用[9]。5.2研究的方法本文在对个人信用评估的特点及要求深入分析的基础上，采用神经网络技术、支持向量机和决策树来解决这一实际应用问题。三种算法模型的输出表示个人信用评估的结果。目前，国内外的个人信用评估结果表示方式主要有:等级制，百分制，在具体的业务应用中还存在信贷额度、欺诈风险等方式。考虑到最后的输出是一个整数值，可用于客户信用等级的分类。神经网络的直接输出是[0，1]区间的一个具体数值，可得到客户的信用分值。基于线性分类方法通过对训练样本的学习，不断对网络结构进行调整，直到一个相对稳定的状态。对测试数据可以得到”0”、”1”分类的值，对应算出各自的精确度，从而实现按信用层次的高低对客户的分类[10]。6.总结随着消费信贷规模的扩大，如何提高信用评估准确率已经成为信贷行业的一个重要问题，因为信用评估准确率哪怕只有很少的提高都会给信贷机构带来很大的利益收获。本文介绍了个人信用的重要意义和研究背景，以及近年来国内外在个人信用评估模型分析中研究的不同的方法。通过研究这些方法，在前人的基础上找出更加适合、科学的方法来构建更有效的个人信用评估模型就是我的实验内容。通过这些研究我们可以看出不同的方法和数据量比较会产生不同的效果，如果放在同一条件下比较，也许可以得出在某种情况下比较合理的模型，当然，还需要继续研究。参考文献[1]刘冉.基于神经网络的个人信用评估模型的研究[D].大连海事大学,2007.[2]张丽娜,赵敏.我国商业银行个人信用评分指标体系分析[J].市场周刊:理论研究,2007(8):115-117.[3]康世瀛.个人信用评估及贷款决策研究[J].经济问题探索,2002(9):108-112.[4]崔媛媛,丁娟娟.个人资产信用评估指标的建立[J].北方工业大学学报,2005,17(4):16-21.[5]LiST,ShiueW,HuangMH.Theevaluationofconsumerloansusingsupportvectormachines[J].ExpertSystemswithApplications,2006,30(4):772-782.[6]徐鑫柱.基于支持向量机和BP神经网络的个人信用评估模型研究[D].内蒙古大学,2013.