基于改进smote的小额贷款公司客户信用风险非均衡svm分类

《基于改进smote的小额贷款公司客户信用风险非均衡svm分类》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于改进SMOTE的小额贷款公司客户信用风险非均衡SVM分类衣柏衡朱建军李杰南京航空航天大学经济与管理学院摘要：研究了小额贷款公司对客户进行信用风险评估时面临的问题，构建了信用风险评估指标体系，改进了支持向量机(SupportVectorMachine,SVM)对非均衡样本分类时分类超平面偏移的不足。首先分析小额贷款公司业务区域性强、信用数据来源不规范、评价标准不一致等特点，给出用于客户信用风险评估的四个维度指标。针对传统SMOTE算法在处理非均衡数据吋对全部少数类样本操作的问题，提出仅对错分样本人工合成的改进思想,给出具体算法步骤。将改进算法用于某小额贷款公司客户信用风险评估案例中，

2、分类精确度较其他算法有所提升，表明该方法的可行性和有效性。关键词：小额贷款;信用风险;支持向量机;非均衡数据;SMOTE;作者简介：衣柏衡(1990-),男(汉族)，天津人，南京航空航天大学经济与管理学院硕士研究生,研究方向：数据挖掘、系统分析与决策,E-mail:ysb900818@126.com.收稿日期：2015-05-30基金：国家社会科学基金重点项目(14AZD049)ImbalancedDataClassificationonMicro-CreditCompanyCustomerCreditRiskAssessmentUsingImprovedSMOTESupportVec

3、torMachineYIBai—hengZHUJian-junLIJieSchoolofEconomicsandManagement,NanjingUniversityofAeronauticsandAstronautics;Abstract：Agreatnumberofmachinelearningmethodshavebeensuccessfullyappliedforcustomercreditriskassessmentcases,andsupportvectormachine(SVM)isconsideredasan“off-the-shelf”supervisedlearn

4、ingalgorithmtosolveclassificationproblembymanyresearchers.Unfortuneitcly，SVMfailstoprovideexcellentenoughclassificationperformancewhenthedatasetisimbalanced,i.e.,theaccuracyofthemajorityclassisusuallymuchhigherthanthatoftheminorityclassduetotheshiftingofthehyper-plane.Inmostcases,peoplepaymoreat

5、tentionontheminorityclasssuchasfaultdiagnosisandcreditdefault.Thus,aSynthcticMinorityOvcr-samplingTechnique(SMOTE)ispresentedtodealwiththeimbalancedclassificationbygeneratingnewsamplesinthewholeminorityclass.However,intheprocessofsolvingSVMbySequentialMinimalOptimization(SMO)algorithm,onlythoses

6、upportvectorsamplesxiwiththecorrespondingai>0canaffectthepositionofthehyper-plancwhilethesamplesfarfromthehypcr-planchavenoinfluenceonthefinalresult.ItisobviousthattheclassicSMOTEalgorithmcangeneratemoreredundantsampleswhicharefarfromthehyper-plane.Inthisarticle,animprovedmethodforclassicSMOTEal

7、gorithmisproposedthatSMOTEisloopedandonlymisclassifiedsamplesinthepreviouslooparcselectedtobeprocessedinthenextloopunt订theminorityclassoutnumbersthemajorityclassorallminorityclasssamplesarecorrectlyclassified.Intheempiricals