本文關鍵詞：基于BP神經網絡與半監(jiān)督學習的網貸平臺信用評估模型

  更多相關文章： 網貸平臺 信用評估 BP神經網絡 半監(jiān)督學習 協(xié)同訓練

【摘要】：中國互聯(lián)網金融網貸平臺增長勢頭繼續(xù)高歌猛進,與此同時,爆出問題的“跑路”平臺越來越多,網貸平臺自身的信用成為阻礙其發(fā)展的最大障礙�，F(xiàn)有的網貸平臺征信與信用評估服務主要面向用戶,而缺乏平臺自身的信用評估體系。本文的目標是針對網貸平臺建立科學有效的信用評估體系。對此,本文根據網貸平臺評估指標數(shù)據獲取人工和時間成本過高的現(xiàn)狀,提出了基于自動化抓取網絡公開數(shù)據的信用評估指標體系,包括基本信息指標、動態(tài)數(shù)據指標、訪問平臺數(shù)據指標。基于網貸平臺信用標簽數(shù)據缺失并且難以獲取權威結果的現(xiàn)狀,本文提出用半監(jiān)督學習的方法代替以往線性回歸和監(jiān)督學習的方法,充分利用無標簽數(shù)據來提高評估模型的預測準確性。本文自動化抓取了169家網貸平臺的31個指標數(shù)據,將其作為模型的輸入,選取中國社科院金融研究所發(fā)布的23家平臺評級結果作為標簽,并將其作為模型的輸出。運用協(xié)同訓練的方法,首先初始化兩個不同參數(shù)的BP神經網絡回歸模型,找到標記置信度最高的無標簽對象,即染上標簽后能減小預測模型的均方誤差,然后將其染上標簽并放入對方回歸模型的訓練集中以便更新模型,不斷迭代直到循環(huán)結束,最后綜合兩個回歸模型作為最終的預測模型。實驗結果表明,與直接用回歸模型相比,協(xié)同訓練式半監(jiān)督學習的回歸模型利用了大量的無標簽數(shù)據,提高了預測結果的準確性,可以為網貸行業(yè)提供一種科學有效的平臺信用評估方法。
【關鍵詞】：網貸平臺 信用評估 BP神經網絡 半監(jiān)督學習 協(xié)同訓練
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F724.6;F832.4;TP183
【目錄】：

• 摘要4-5
• Abstract5-11
• 第1章 緒論11-23
• 1.1 課題背景11-15
• 1.1.1 互聯(lián)網金融借貸平臺概況11-12
• 1.1.2 網貸平臺信用問題爆發(fā)12-13
• 1.1.3 網貸行業(yè)信用風險及產生原因13-15
• 1.2 信用評估研究現(xiàn)狀15-19
• 1.2.1 國外研究現(xiàn)狀15-18
• 1.2.2 國內研究現(xiàn)狀18-19
• 1.3 研究目標和內容19-22
• 1.3.1 研究目標和思路19-21
• 1.3.2 本文內容21-22
• 1.4 本章小結22-23
• 第2章 平臺信用評估相關技術與研究23-43
• 2.1 互聯(lián)網金融網貸平臺信用評估體系23-32
• 2.1.1 信用評估體系構建原則23-24
• 2.1.2 現(xiàn)有網貸平臺信用評估模型24-32
• 2.2 相關理論體系與技術32-42
• 2.2.1 BP神經網絡32-35
• 2.2.2 K-近鄰算法35-37
• 2.2.3 半監(jiān)督學習37-40
• 2.2.4 協(xié)同訓練算法40-42
• 2.3 本章小結42-43
• 第3章 基于半監(jiān)督學習算法的平臺信用評估43-56
• 3.1 互聯(lián)網金融網貸平臺信用評估指標43-46
• 3.1.1 現(xiàn)有信用評估指標分析43-44
• 3.1.2 網貸平臺信用評估指標體系的建立44-46
• 3.2 利用半監(jiān)督學習方法進行平臺信用評估的優(yōu)越性46-47
• 3.3 基于BP神經網絡的協(xié)同訓練式半監(jiān)督回歸算法47-55
• 3.3.1 協(xié)同訓練式半監(jiān)督學習回歸算法定義與過程47-53
• 3.3.2 協(xié)同訓練式半監(jiān)督學習回歸算法可靠性53-55
• 3.4 本章小結55-56
• 第4章 實驗與分析56-73
• 4.1 數(shù)據集的抓取和處理56-58
• 4.2 協(xié)同訓練式半監(jiān)督回歸實驗58-65
• 4.2.1 實驗方案58
• 4.2.2 評價標準58-59
• 4.2.3 參數(shù)訓練59-63
• 4.2.4 實驗性能對比63-65
• 4.3 網貸平臺信用評分結果65-70
• 4.4 實驗結果分析70-72
• 4.5 本章小結72-73
• 第5章 總結與展望73-75
• 5.1 論文主要創(chuàng)新點和工作73-74
• 5.1.1 信用評估體系指標的選擇和獲取73
• 5.1.2 BP神經網絡回歸結合協(xié)同訓練式半監(jiān)督學習的應用73-74
• 5.2 將來的工作展望74-75
• 參考文獻75-80
• 攻讀碩士學位期間主要的研究成果80-81
• 致謝81

【參考文獻】

中國期刊全文數(shù)據庫 前1條

1 陳云;石松;;基于PSO-BP集成的國內外企業(yè)信用風險評估[J];計算機應用研究;2014年09期

，

本文編號：879695