基于贝叶斯分类器的个人信用评估研究

《基于贝叶斯分类器的个人信用评估研究》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、代号10701学号1107122454分类号TP18密级公开题（中、英文）目基于贝叶斯分类器的个人信用评估研究ResearchonPersonalCreditScoringBasedonBayesianClassifier作者姓名范彦勤指导教师姓名、职务杨有龙教授学科门类理学学科、专业应用数学提交论文日期二○一四年一月万方数据万方数据西安电子科技大学学位论文创新性声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢

2、中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切的法律责任。本人签名：日期西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布

3、论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后结合学位论文研究课题再攥写的文章一律署名单位为西安电子科技大学。本人签名：日期导师签名：日期万方数据万方数据摘要随着我国消费信贷市场的迅速发展，信用评估的重要作用日益凸现．本文在综述银行客户信用分类模型和分析贝叶斯分类器的优缺点基础上，研究了基于贝叶斯分类器的个人信用评估模型并进行了仿真实验．首先，针对目前公开常用的信用评估数据具有指标属性多、数据维数高、非线性和冗余性特点，因此筛选出重要的特征指标显得尤为重要．本文采用主

4、成分分析法进行指标特征提取，达到了降低维数，减少冗余属性，简化贝叶斯网络的输入的目的．其次，针对朴素贝叶斯分类模型的条件独立性假设，以及属性变量间依赖关系等问题，本文提出了新的属性加权朴素贝叶斯分类模型和改进树扩展贝叶斯分类模型，给出了新的属性权值计算和分类器扩展研究．最后，对德国个人信用数据进行仿真实验，结果表明贝叶斯分类器具有结构简单、计算量小、分类精度高等优点．本文提出的两种贝叶斯分类模型与神经网络模型、参数模型、非参数模型相比较，误分率较低，表现优良．同时进一步验证得出，在评估指标维数很高时，使用主成

5、分特征提取技术进行降维，既减少了分类的复杂度，提高了学习的效率，同时也保证了较好的分类结果．关键词：信用评估主成分分析贝叶斯分类器分类误分率万方数据万方数据AbstractAlongwiththerapiddevelopmentofconsumercreditmarketinChina,theimportantroleofthecreditscoringisbecomingincreasinglyapparent.Basedonthedescriptionofpersonalcreditscoringmode

6、lsandtheadvantagesanddisadvantagesofBayesianclassifier,thispaperexploredpersonalcreditscoringmodelsbasedontheBayesianclassifieranddothesimulationexperiment.Firstly,accordingtothefeaturesofmoreindexattribute,highdimensional,nonlinearandredundantofthepublicco

7、mmoncreditscoringdata,filteredoutimportantfeatureindicatorsisparticularlyimportant.Inordertoreducedimensionandeliminateredundantinformation,theprincipalcomponentanalysismethodisproposedtoextractindicatorfeaturesandtosimplifyinputBayesiannetwork.Secondly,the

8、naiveBayesclassificationmodelisbasedontheassumptionthatvariablesareindependentanditcan’tcapturetherelationshipoffeaturevariablesandfeaturevariables,anewweightednaiveBayesclassificationmethodbysettingat