基于代价敏感支持向量机银行信用风险评估模型,此文是一篇支持向量机论文范文,为你的毕业论文写作提供有价值的参考。
支持向量机论文参考文献：
摘 要：支持向量机在处理有限样本、非线性及高维模式识别问题有特殊的优势,但标准的支持向量机不具备代价敏感性,不能直接用于对银行贷款风险评估这种不平衡数据集进行分类.本文提出一种利用熵值法来构筑代价敏感支持向量机的方法,实验结果表明该方法对银行信用风险评估具有较好的效果.
关键字：支持向量机;熵值法;代价敏感
中图分类号：H131 文献标识码：A 文章编号：1007-3558（2015）06-0075-05
Evaluation Model of Bank’s Credit Risk Based on Cost-Sensitive Support Vector Machine
Duan Wei1,*, Lu Xiangyang2
（1. School of Math and Computer Science, Jiangxi Science & Technology Normal University, Nanchang 330038, Jiangxi, China; 2. School of Electric and Information Engineering, Zhongyuan University of Technology, Zhengzhou 450007, Henan, China）
Abstract： Support Vector Machine（SVM） has an excellent ability in handling finite samples, nonlinear and high dimensional classification problems. However, standard SVM doesn’t have cost-sensitive features and can’t be used for classification on imbalanced data set such as bank’s credit risk data set. This paper proposes a method which constructed a cost-sensitive SVM based on information entropy （ECS-SVM）. The experimental results show that this method has better effect on evaluation of bank’s credit risk.
Key words： SVM; entropy method; cost-sensitive
一、引言
世界银行对全球银行业危机的研究表明,导致银行破产的主要原因信用风险.如何有效地预防信用风险,改进信用风险评估方法是学术界重要的研究课题.
信用风险的评估方法有很多,如传统的多元线性回归分析和logistic回归分析模型,人工智能中的决策树、神经网络等.传统的回归分析模型具有简单、方便等特点,但其要求各自变量间相互独立,限制了其实际应用.神经网络应用于商业银行信用风险判别解决了传统评估方法处理非线性模型时缺少自适应能力的困难.但神经网络身存在着一些固有的缺点,如网络模型和结构选择困难,易陷入局部极小点,容易出现过学习,推广能力有限等问题,而且用神经网络来评价信用风险很难说明神经网络训练后各网络参数和阈值的含义,使得模型缺乏说服力[1].
支持向量机是当前机器学习领域研究的热点.支持向量机方法建立在VC维（Vapnik-Chervonenkis Dimension）理论和结构风险最小原理基础上的,有严格的理论和数学基础,且算法具有全局最优性,在解决小样本、非线性及高维模式识别等问题中优势明显[2].和神经网络相比在小样本的条件下,其泛化能力明显更强且可以得到解析式,便于用户理解.
本文将支持向量机技术引入到银行贷款风险判别中来,针对标准支持向量机不能直接处理不平衡数据分类的问题,对其进行改进,构建基于代价敏感支持向量机的银行贷款风险判别模型,有助于提升商业银行的抗风险能力.
二、支持向量机
(一)支持向量机的基本原理
支持向量机算法针对两分类问题寻找一个最优超平面,使得该超平面在保证分类准确率的同时,能够使超平面的分类间隔最大化,从而保证分类模型良好的泛化能力.从理论上来说支持向量机能够实现对线性可分数据的最优分类.对于非线性问题,支持向量机则通过引入核映射方法将其转化为高维空间的线性可分问题来解决[2-3].
设训练样本集S ∈+1,-1,+1和-1分别代表两类不同的类别标识.当样本线性可分时,支持向量机需要找到一个最优超平面ω·x +b等于 0将两类点分开,且使分类间距最大,当训练样本集是线性不可分的,或事先不知道它是否线性可分,将可能存在一些错分类,此时需引入松弛变量ξ ≥0和惩罚因子C.惩罚因子C表示对错分类错误的惩罚程度,C值越大说明对误差的惩罚越大.C值可用来控制错分样本和模型复杂性之间的折衷.支持向量机是求解式（1）在约束条件下的最小值[2].
(二)代价敏感支持向量机
传统的分类方法主要是针对平衡数据集,以分类精度最大为优化目标,并假定每个样本的误分类代价相等,然而在实际应用中,数据集往往是不平衡的,数据集中某些类的样本数量远远少于其他类,即训练样本数量在类间分布不平衡.如果采用传统的分类方法,会使分类器在分类过程中严重偏向样本数目多的类别,从而使分类的性能急剧下降,不能满足现实的要求.
代价敏感分类考虑不同样本的误分类代价是不相等,以总体错分代价最小为分类学习目标.由于支持向量机本身并不具有代价敏感性,不能直接用于不平衡数据集的分类,因此需要对传统的支持向量机进行改进,使其具有代价敏感性.
结论：关于本文可作为支持向量机方面的大学硕士与本科毕业论文支持向量机实例讲解论文开题报告范文和职称论文论文写作参考文献下载。
基于宏观压力测试分析银行信用风险评估
摘要：采用我国2002年至2014年宏观经济指标以及12家商业银行的不良贷款率数据，运用假设情景法进行宏观压力测试，分析宏观经济波动对于中国商业。
基于支持向量机个人信用评估模型
摘要：随着我国经济的快速发展，个人信贷业务扩大，给银行带来收益的同时必然存在风险，针对传统个人信用评估方法的不足，鉴于支持向量机具有全局收敛性和。
基于模糊积分支持向量机集成商业银行信用风险评估模型
摘要：信用风险管理一直是银行和其他金融机构最关心的问题之一。随着我国经济体制的改革深入、市场机制的建立与完善以及资本市场、银行业的迅速发展，现行。
基于最小二乘加权支持向量机个人信用预测模型
摘要：针对不同类别样本数差异和不同误分代价的分类问题，提出了一种基于最小二乘加权支持向量机的分类预测方法。在最小二乘加权支持向量机的基础上，考虑。