基于半监督学习的客户信用评估集成模型研究

基于半监督学习的客户信用评估集成模型研究

ID:20705155

大小:94.06 KB

页数:14页

时间:2018-10-15

基于半监督学习的客户信用评估集成模型研究_第1页
基于半监督学习的客户信用评估集成模型研究_第2页
基于半监督学习的客户信用评估集成模型研究_第3页
基于半监督学习的客户信用评估集成模型研究_第4页
基于半监督学习的客户信用评估集成模型研究_第5页
资源描述:

《基于半监督学习的客户信用评估集成模型研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、基于半监督学习的客户信用评估集成模型研究摘要:将半监督学习技术与多分类器集成模型Bagging相结合,构建类别分布不平衡环境下基于Bagging的半监督集成模型(SSEBI),综合利用有、无类别标签的样本来提高模型的性能。该模型主要包括三个阶段:(1)从无类别标签数据集中选择性标记一部分样本并训练若干个基本分类器;(2)使用训练好的基本分类器对测试集样本进行分类;(3)对分类结果进行集成得到最终分类结果。在五个客户信用评估数据集上进行实证分析,结果表明本研宄提出的SSEBI模型的有效性。本文采集自网络,本站发布的论文

2、均是优质论文,供学习和研究使用,文中立场与本网站无关,版权和著作权归原作者所有,如有不愿意被转载的情况,请通知我们删除已转载的信息,如果需要分享,请保留本段说明。关键词:信用评估;类别分布不平衡;半监督学习;Bagging;半监督集成DOI:10.13956/j.ss.1001-8409.2017.07.28中图分类号:F83046;TP18文献标识码:A文章编号:1001-8409(2017)07-0131-04基于半监督学习的客户信用评估集成模型研究摘要:将半监督学习技术与多分类器集成模型Bagging相结合,构

3、建类别分布不平衡环境下基于Bagging的半监督集成模型(SSEBI),综合利用有、无类别标签的样本来提高模型的性能。该模型主要包括三个阶段:(1)从无类别标签数据集中选择性标记一部分样本并训练若干个基本分类器;(2)使用训练好的基本分类器对测试集样本进行分类;(3)对分类结果进行集成得到最终分类结果。在五个客户信用评估数据集上进行实证分析,结果表明本研宄提出的SSEBI模型的有效性。本文采集自网络,本站发布的论文均是优质论文,供学习和研究使用,文中立场与本网站无关,版权和著作权归原作者所有,如有不愿意被转载的情况,

4、请通知我们删除已转载的信息,如果需要分享,请保留本段说明。关键词:信用评估;类别分布不平衡;半监督学习;Bagging;半监督集成DOI:10.13956/j.ss.1001-8409.2017.07.28中图分类号:F83046;TP18文献标识码:A文章编号:1001-8409(2017)07-0131-04SemisupervisedLearningBasedMultipleClassifiersEnsembleModelforCustomerCreditScoringHUANGjinga,XUEShutian

5、b,XIAOJinb(a.PublicAdministrationSchool;b.BusinessSchool,SichuanUniversity,Chengdu610064)Abstract:ThispapercombinessemisupervisedlearningwithmultipleclassifiersensemblemodelBagging,andproposesascmisupcrviscdensemblemodelbasedonBaggingforimbalanceddata(SSEBI),wh

6、ichisexpectedtoimprovethemodelperformancebycomprehensivelyusingsampleswithandwithoutclasslabels.Thismodelincludesthefollowingthreephases:(1)Selectivelylabelsomesamplesfromthedatasetwithoutclasslabelsandtrainseveralbaseclassifiers;(2)Classifysamplesintestsetbyth

7、etrainedbaseclassifiersrespectively;(3)Obtainthefinalclassificationresultswithintegratingtheclassificationresultsofallthebaseclassifiers.Empiricalanalysesareconductedinfivecustomercreditscoringdatasets,andtheresultsshowtheeffectivenessoftheSSEBImodel.Keywords:c

8、reditscoring;imbalancedclassdistribution;semisupervisedlearning;Bagging;semisupervisedensemble引言随着我国经济的快速发展,人们的消费方式也在发生改变,住房按揭、汽车贷款、信用卡等信用消费规模不断扩大,信用交易己经成为市场经济条件下重要的交易方式。但是信

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。