【摘要】：消費(fèi)信貸是金融機(jī)構(gòu)的一項(xiàng)重要業(yè)務(wù),借貸融資和信用卡消費(fèi)等理念已經(jīng)普遍被中小企業(yè)和個(gè)人接受.在面對(duì)大量新借款客戶的申請(qǐng)時(shí),金融機(jī)構(gòu)需要迅速作出批準(zhǔn)或拒絕的決策,而決策的依據(jù)是對(duì)新申請(qǐng)客戶進(jìn)行信用評(píng)分.隨著消費(fèi)信貸業(yè)務(wù)的迅速發(fā)展,許多信用評(píng)分模型被提出并廣泛應(yīng)用于信用錄取決策.例如,基于統(tǒng)計(jì)學(xué)方法的判別分析、Logistic回歸分析和決策樹等模型,基于人工智能方法的人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等模型.雖然這些模型在應(yīng)用中有各自的優(yōu)勢,但也存在著一些局限性.而最近鄰信用評(píng)分模型作為一個(gè)非參數(shù)模型,既不需要考慮數(shù)據(jù)分布的假設(shè),也不需要引入?yún)?shù),且還具有解決人口漂移問題的優(yōu)點(diǎn),雖然其應(yīng)用依賴于度量的選擇.因此,本文考慮利用度量學(xué)習(xí)方法,對(duì)最近鄰信用評(píng)分模型進(jìn)行研究.本學(xué)位論文主要對(duì)最近鄰信用評(píng)分模型進(jìn)行研究.模型中采用的度量是通過本文提出的度量學(xué)習(xí)方法而學(xué)習(xí)得到的,所設(shè)計(jì)的內(nèi)蘊(yùn)最速下降算法提升了所學(xué)度量的精確性,進(jìn)而提高了最近鄰信用評(píng)分模型的分類性能.本文的主要內(nèi)容和創(chuàng)新點(diǎn)是:1.研究基于監(jiān)督度量學(xué)習(xí)的最近鄰信用評(píng)分模型.該模型中的度量是通過所提出的非線性監(jiān)督度量學(xué)習(xí)方法而學(xué)習(xí)得到的,它能夠更好地反映數(shù)據(jù)的分布情況,改進(jìn)了歐氏距離在信用評(píng)分中受數(shù)據(jù)分布和數(shù)據(jù)特征變量影響較大的缺點(diǎn),從而能提高信用評(píng)分的預(yù)測精度.其中用于學(xué)習(xí)度量的非線性監(jiān)督度量學(xué)習(xí)方法所對(duì)應(yīng)的優(yōu)化問題,約束條件僅僅只有一個(gè),可以轉(zhuǎn)化為一個(gè)無約束的優(yōu)化問題進(jìn)行求解,避免了現(xiàn)有度量學(xué)習(xí)模型中約束條件過多而導(dǎo)致計(jì)算復(fù)雜的問題.2.通過分析約束條件的幾何特征,將所提出的非線性監(jiān)督度量學(xué)習(xí)對(duì)應(yīng)的優(yōu)化問題轉(zhuǎn)化為流形上的無約束優(yōu)化問題,從而設(shè)計(jì)了具有自適應(yīng)最優(yōu)迭代步長的內(nèi)蘊(yùn)最速下降算法.該算法在每次迭代時(shí)都能保證沿著流形上的點(diǎn)進(jìn)行,解決了傳統(tǒng)算法在求解時(shí)需要通過投影才能保證約束條件成立這一問題.這就減少了投影帶來的計(jì)算代價(jià)和誤差,有利于提高所學(xué)度量的精確性,進(jìn)而能提高最近鄰信用評(píng)分模型的性能.3.研究基于半監(jiān)督度量學(xué)習(xí)的最近鄰信用評(píng)分模型.該模型中的度量是通過我們提出的非線性半監(jiān)督度量學(xué)習(xí)模型而學(xué)習(xí)得到的,它雖然是通過訓(xùn)練集中少量已知類別的客戶數(shù)據(jù)而得到的,但是卻能較好地反映訓(xùn)練集中全部數(shù)據(jù)的分布情況.這就使得在信用評(píng)分中,當(dāng)新申請(qǐng)客戶到來時(shí),只需要計(jì)算與那些已知類別的客戶之間的距離,無需計(jì)算與訓(xùn)練集中全部數(shù)據(jù)的距離.從而大大減少了最近鄰信用評(píng)分模型在應(yīng)用時(shí)的計(jì)算量.另外,用于學(xué)習(xí)度量的非線性半監(jiān)督度量學(xué)習(xí)方法,是利用半監(jiān)督學(xué)習(xí)和多核學(xué)習(xí)的理論提出的,它有兩個(gè)優(yōu)點(diǎn):一是僅僅只需要知道訓(xùn)練集中少量的客戶類別信息,這就減少了監(jiān)督學(xué)習(xí)時(shí)金融機(jī)構(gòu)為了對(duì)現(xiàn)有數(shù)據(jù)庫中全部的客戶進(jìn)行類別標(biāo)記所帶來的代價(jià);二是還能學(xué)習(xí)得到一個(gè)新的核函數(shù),這就解決了傳統(tǒng)非線性方法中關(guān)于核函數(shù)的選取問題.
【學(xué)位授予單位】：上海大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：F224
【圖文】：

維空間中具有線性可分的性質(zhì)，然后通過最大化兩類數(shù)據(jù)之間的間隔找到一個(gè)分逡逑類超平面，從而得到一個(gè)分類器．利用此分類器可以實(shí)現(xiàn)對(duì)新的借款客戶申請(qǐng)進(jìn)行逡逑類別預(yù)測．圖２．１給出二維空間上線性可分支持向量機(jī)的簡單示意圖，實(shí)線表示分逡逑類超平面，虛線表示支撐超平面．逡逑ｗＴｘ＋ｂ邋＝邋－１逡逑？？？？逡逑？邋？邋？逡逑★邋★邋★邋＼逡逑—★邋★逡逑圖２．１：二維空間中的線性可分支持向量機(jī)逡逑

信息．機(jī)器學(xué)習(xí)的目的是專門讓計(jì)算機(jī)自身通過數(shù)據(jù)或者以往經(jīng)驗(yàn)等外部輸入逡逑進(jìn)行自身學(xué)習(xí)以改善系統(tǒng)自身的性能，從而達(dá)到對(duì)數(shù)據(jù)進(jìn)行分類或聚類的目的．逡逑圖２．２給出機(jī)器學(xué)習(xí)在分類和聚類中的簡單示意圖．逡逑小邐個(gè)逡逑★邐★邐★邐＃性分類器逡逑？邐？邐機(jī)器學(xué)‘習(xí)邐？邐？逡逑★邐４逡逑？邐？邐？邋？逡逑邐＞邋邐＞逡逑個(gè)逡逑°邐°邐１／＾：；聚類逡逑Ｏ邐Ｏ邋Ｗ逡逑0邐0逡逑邐＾邋邐邐邐＞逡逑圖２．２：機(jī)器學(xué)習(xí)在分類和聚類中的簡單示意圖逡逑由圖２．２可知，機(jī)器學(xué)習(xí)研究的主要對(duì)象就是“數(shù)據(jù)”．現(xiàn)實(shí)世界中的“數(shù)逡逑據(jù)”有多種出現(xiàn)形式，常見的形式有數(shù)值型數(shù)據(jù)（ｎｕｍｅｒｉｃａｌ邋ｄａｔａ）和結(jié)構(gòu)型數(shù)逡逑據(jù)（ｓｔｒｕｃｔｕｒｅ邋ｄａｔａ）兩種？圖２．３給出了常見數(shù)據(jù)的形式．逡逑

信息．機(jī)器學(xué)習(xí)的目的是專門讓計(jì)算機(jī)自身通過數(shù)據(jù)或者以往經(jīng)驗(yàn)等外部輸入逡逑進(jìn)行自身學(xué)習(xí)以改善系統(tǒng)自身的性能，從而達(dá)到對(duì)數(shù)據(jù)進(jìn)行分類或聚類的目的．逡逑圖２．２給出機(jī)器學(xué)習(xí)在分類和聚類中的簡單示意圖．逡逑小邐個(gè)逡逑★邐★邐★邐＃性分類器逡逑？邐？邐機(jī)器學(xué)‘習(xí)邐？邐？逡逑★邐４逡逑？邐？邐？邋？逡逑邐＞邋邐＞逡逑個(gè)逡逑°邐°邐１／＾：；聚類逡逑Ｏ邐Ｏ邋Ｗ逡逑0邐0逡逑邐＾邋邐邐邐＞逡逑圖２．２：機(jī)器學(xué)習(xí)在分類和聚類中的簡單示意圖逡逑由圖２．２可知，機(jī)器學(xué)習(xí)研究的主要對(duì)象就是“數(shù)據(jù)”．現(xiàn)實(shí)世界中的“數(shù)逡逑據(jù)”有多種出現(xiàn)形式，常見的形式有數(shù)值型數(shù)據(jù)（ｎｕｍｅｒｉｃａｌ邋ｄａｔａ）和結(jié)構(gòu)型數(shù)逡逑據(jù)（ｓｔｒｕｃｔｕｒｅ邋ｄａｔａ）兩種？圖２．３給出了常見數(shù)據(jù)的形式．逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 陸愛國;王玨;劉紅衛(wèi);;基于改進(jìn)的SVM學(xué)習(xí)算法及其在信用評(píng)分中的應(yīng)用[J];系統(tǒng)工程理論與實(shí)踐;2012年03期

2 姜明輝;謝行恒;王樹林;溫瀟;;個(gè)人信用評(píng)估的Logistic-RBF組合模型[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2007年07期

3 吳德勝,梁j;遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)及信用評(píng)價(jià)研究[J];中國管理科學(xué);2004年01期

4 姜明輝,王雅林,趙欣,黃偉平;k-近鄰判別分析法在個(gè)人信用評(píng)估中的應(yīng)用[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2004年02期

5 石慶焱,靳云匯;個(gè)人信用評(píng)分的主要模型與方法綜述[J];統(tǒng)計(jì)研究;2003年08期

相關(guān)博士學(xué)位論文 前3條

1 閆辛;半監(jiān)督支持向量機(jī)模型與算法研究[D];上海大學(xué);2016年

2 向暉;個(gè)人信用評(píng)分組合模型研究與應(yīng)用[D];湖南大學(xué);2011年

3 陳為民;基于支持向量機(jī)的信用卡信用風(fēng)險(xiǎn)管理模型與技術(shù)研究[D];湖南大學(xué);2009年

本文編號(hào)：2784980