基于組合分類(lèi)策略的個(gè)人信用風(fēng)險(xiǎn)評(píng)估研究

鐘金宏, 邵晶晶, 李興國(guó)

(合肥工業(yè)大學(xué) 管理學(xué)院， 安徽 合肥 230009)

0 引 言

目前，居民在消費(fèi)類(lèi)貸款、住房貸款、汽車(chē)貸款上的需求量不斷增大。據(jù)國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)[1]顯示,截至2017年年末,個(gè)人短期貸款達(dá)68 041億元,比上年同期增加18 724億元,個(gè)人中長(zhǎng)期貸款達(dá)247 154億元,比上年同期增加45 993億元,個(gè)人貸款總額占全年境內(nèi)各項(xiàng)貸款的31.58%。由此可見(jiàn),個(gè)人貸款規(guī)模增長(zhǎng)迅速,未來(lái)個(gè)人貸款業(yè)務(wù)有望成為中外金融機(jī)構(gòu)競(jìng)爭(zhēng)的焦點(diǎn)。由于個(gè)人貸款業(yè)務(wù)發(fā)展前景巨大,導(dǎo)致各種騙貸、套現(xiàn)、倒貸等欺詐手段層出不窮。根據(jù)中國(guó)銀行業(yè)監(jiān)督管理委員會(huì)(簡(jiǎn)稱(chēng)“銀監(jiān)會(huì)”)數(shù)據(jù)統(tǒng)計(jì)[2],2008—2017年銀行業(yè)不良貸款余額如圖1所示,說(shuō)明近年來(lái)金融行業(yè)不良貸款余額總體呈上升趨勢(shì),且漲幅較大。因此,定位出不良客戶(hù)、評(píng)估貸款人的信用成為當(dāng)前亟待解決的問(wèn)題。

圖1 2008—2017年銀行業(yè)不良貸款余額

信用評(píng)估是關(guān)于信用好壞的二元分類(lèi)問(wèn)題,目前已有很多分類(lèi)算法應(yīng)用到信用評(píng)估問(wèn)題中,但不同的分類(lèi)算法有著不同的適用場(chǎng)景,在不同數(shù)據(jù)集上不能全部展現(xiàn)理想的分類(lèi)效果,無(wú)法適用一般情況?？紤]到實(shí)際生活中個(gè)人信用數(shù)據(jù)會(huì)受不同國(guó)家和地區(qū)的影響這一特殊性,本文選取了信用評(píng)估中具有代表性的K最近鄰(K-nearest neighbor, KNN)、隨機(jī)森林(random forest, RF)、決策樹(shù)(decision tree, DT)和支持向量機(jī)(support vector machine, SVM)等算法作為基分類(lèi)器,通過(guò)組合分類(lèi)模型評(píng)估貸款人信用,提高對(duì)實(shí)際信用數(shù)據(jù)更適用的基分類(lèi)器在最終組合決策中的作用。該模型充分利用各個(gè)算法的優(yōu)勢(shì),適合解決現(xiàn)實(shí)生活中的貸款人信用評(píng)估問(wèn)題。

1 信用評(píng)估方法

在信用評(píng)估問(wèn)題上,早期的評(píng)估模型分為如下2類(lèi):

(1) 基于專(zhuān)家評(píng)分。這類(lèi)模型的特點(diǎn)是由專(zhuān)家列出評(píng)判貸款人信用的特征,再針對(duì)每項(xiàng)特征由專(zhuān)家對(duì)貸款人打分,根據(jù)得分確定貸款人信用好壞。文獻(xiàn)[3]根據(jù)貸款人的能力、資金狀況和個(gè)人條件,結(jié)合專(zhuān)家意見(jiàn),分別從學(xué)歷、職業(yè)、職稱(chēng)、工作穩(wěn)定性;住房、交通工具、有價(jià)證券、銀行存款、年收入;年齡、性別、婚姻狀況、贍養(yǎng)人數(shù)、投保狀況等評(píng)價(jià)指標(biāo)量化貸款人的信用級(jí)別。

(2) 基于期權(quán)定價(jià)模型,常用的有Black-Scholes-Merton (BSM)模型、信用監(jiān)測(cè)模型(credit monitor model, KMV)等。這類(lèi)模型主要應(yīng)用于個(gè)人抵押貸款或?qū)J款的信用評(píng)估問(wèn)題中,通過(guò)計(jì)算出個(gè)人抵押品價(jià)值或公司的股價(jià)、負(fù)債等市場(chǎng)價(jià)值總和來(lái)得到貸款人或公司的理論違約距離和理論違約率,以達(dá)到信用評(píng)估的目的。文獻(xiàn)[4]通過(guò)實(shí)證分析表明KMV模型基本能夠識(shí)別上市公司的信用狀況,但識(shí)別能力有限,建議結(jié)合公司財(cái)務(wù)數(shù)據(jù)綜合度量更加可靠。文獻(xiàn)[5]在BSM模型基礎(chǔ)上提出一種“B-S期權(quán)定價(jià)+預(yù)留協(xié)作+保證金”契約機(jī)制,進(jìn)一步驗(yàn)證了期權(quán)定價(jià)模型可以得到理論違約率,保證電網(wǎng)公司收益的同時(shí),降低市場(chǎng)價(jià)格波動(dòng)帶來(lái)的風(fēng)險(xiǎn)。

隨著互聯(lián)網(wǎng)金融的興起和大數(shù)據(jù)時(shí)代的到來(lái),早期評(píng)估模型基于其有主觀(guān)依賴(lài)和時(shí)效滯后等缺點(diǎn),難以適應(yīng)現(xiàn)階段貸款需求量大、產(chǎn)品種類(lèi)多、貸款規(guī)則復(fù)雜等情況,而各種數(shù)據(jù)挖掘技術(shù)、機(jī)器學(xué)習(xí)算法被應(yīng)用到信貸審批領(lǐng)域,能夠克服傳統(tǒng)統(tǒng)計(jì)模型的局限性,不但能處理海量數(shù)據(jù),而且使信用風(fēng)險(xiǎn)得到識(shí)別和量化,在復(fù)雜的情況下展現(xiàn)了良好的效果[6]。

目前應(yīng)用在信用評(píng)估問(wèn)題上的常用分類(lèi)器有KNN、邏輯回歸(logistic regression, LR)、線(xiàn)性判別分析(linear discriminant analysis, LDA)、SVM、RF、DT、神經(jīng)網(wǎng)絡(luò)等。文獻(xiàn)[7]展現(xiàn)了KNN在信用評(píng)估下的效果略?xún)?yōu)于邏輯回歸,并認(rèn)為KNN有較大的商業(yè)用途；文獻(xiàn)[8]對(duì)比分類(lèi)算法發(fā)現(xiàn),RF適合處理非平衡信用數(shù)據(jù)集,對(duì)違約項(xiàng)目的識(shí)別能力較好；文獻(xiàn)[9]證明運(yùn)用決策樹(shù)的ID3算法,建立信貸客戶(hù)信用評(píng)估系統(tǒng),能進(jìn)行科學(xué)、高效的信用評(píng)估分類(lèi)；文獻(xiàn)[10]驗(yàn)證了SVM在不均衡、小樣本、高維模式識(shí)別問(wèn)題中具有較好的預(yù)測(cè)能力。

以上基于單分類(lèi)器的信用評(píng)估方法雖簡(jiǎn)單易實(shí)現(xiàn),但由于單分類(lèi)器對(duì)數(shù)據(jù)較為敏感,這一類(lèi)方法的不穩(wěn)定性較大,相比之下,多分類(lèi)器的預(yù)測(cè)準(zhǔn)確率和泛化性能均優(yōu)于任一基分類(lèi)器。文獻(xiàn)[11]組合神經(jīng)網(wǎng)絡(luò)和遺傳規(guī)劃方法,提出兩階段的信用評(píng)估模型,表明了組合分類(lèi)比單個(gè)分類(lèi)器分類(lèi)結(jié)果精度更高, 可解釋性更好；文獻(xiàn)[12]組合多個(gè)SVM應(yīng)用在信用評(píng)估中,該算法解決了非線(xiàn)性支持向量機(jī)的局限性,計(jì)算成本低、分類(lèi)效果好,更適用于數(shù)據(jù)集大的情況；文獻(xiàn)[13]基于LR、DT、人工神經(jīng)網(wǎng)絡(luò)和SVM 這4個(gè)基分類(lèi)器,通過(guò)比較Bagging、Boosting、Stacking 這3種集成方法在信用評(píng)估上的效果后發(fā)現(xiàn),組合可以極大地提高基分類(lèi)器的效果。

綜上可見(jiàn),盡管目前已有很多組合分類(lèi)算法應(yīng)用到信用評(píng)估問(wèn)題上,解決了早期評(píng)估模型的局限性和滯后性，但是不同的信用評(píng)估方法有各自的優(yōu)缺點(diǎn)[14],主要存在以下問(wèn)題:

(1) 不同的分類(lèi)算法有著不同的適用場(chǎng)景,在某個(gè)數(shù)據(jù)集上效果較好的分類(lèi)器,在另一類(lèi)數(shù)據(jù)集上卻不一定有較好的效果,因此對(duì)于不同的數(shù)據(jù)集,需要區(qū)別對(duì)待各基分類(lèi)器。

(2) 現(xiàn)實(shí)中貸款人的信用數(shù)據(jù)受不同國(guó)家和地區(qū)的經(jīng)濟(jì)、文化、發(fā)展水平以及居民消費(fèi)觀(guān)念等諸多因素的影響,使得很多模型中用到的貸款人特征不能適應(yīng)其他數(shù)據(jù)。

本文引入組合分類(lèi)策略來(lái)獲得最終分類(lèi)模型,每個(gè)基分類(lèi)器的最終決策度根據(jù)其在數(shù)據(jù)集上的效果來(lái)確定,最終模型選取的貸款人特征根據(jù)相關(guān)度高低來(lái)確定,使得各基分類(lèi)器之間形成優(yōu)勢(shì)互補(bǔ),適應(yīng)各類(lèi)真實(shí)信用數(shù)據(jù)。

2 基于組合分類(lèi)的信用評(píng)估模型

組合分類(lèi)問(wèn)題中,基分類(lèi)器的選擇直接影響最終的分類(lèi)結(jié)果。單一分類(lèi)器適合的數(shù)據(jù)區(qū)域不同,優(yōu)缺點(diǎn)不一。本文中基分類(lèi)器分別選取KNN、DT、RF、SVM等。各基分類(lèi)器的優(yōu)缺點(diǎn)對(duì)比見(jiàn)表1所列,從表1可以看出,這4個(gè)基分類(lèi)器分別適合不同的數(shù)據(jù)區(qū)域,組合可以達(dá)到揚(yáng)長(zhǎng)避短、優(yōu)勢(shì)互補(bǔ)的目的。

表1 各基分類(lèi)器的優(yōu)缺點(diǎn)比較

本文提出一種基于決策分值的多分類(lèi)器組合(multiple classifier combination,MCC)模型，具體流程如圖2所示。

圖2 MCC模型流程

該模型從2個(gè)維度量化單個(gè)分類(lèi)器的可信度,并通過(guò)組合的方式進(jìn)行分類(lèi)器的融合,既可以提高整體分類(lèi)的準(zhǔn)確率,又能保證實(shí)際應(yīng)用中的穩(wěn)定性,滿(mǎn)足金融機(jī)構(gòu)判別貸款類(lèi)新客戶(hù)信用的要求。

2.1 決策分值

因?yàn)閿?shù)據(jù)集不同,各算法對(duì)數(shù)據(jù)集的適用度也不相同,所以不同算法在同一數(shù)據(jù)集下的訓(xùn)練結(jié)果也有高低之分。對(duì)于多分類(lèi)器而言,最終分類(lèi)器決策需要提高可信度高的基分類(lèi)器所占的比重,而降低相比之下可信度低的基分類(lèi)器所占的比重。模型中引入決策分值的方法來(lái)量化提高或降低的比重,該方法從穩(wěn)定性和準(zhǔn)確性2個(gè)維度評(píng)判基分類(lèi)器的可信度,因此模型中基分類(lèi)器的最終決策分值ST(total score,)由該分類(lèi)器的穩(wěn)定性分值SS(stability score,)和準(zhǔn)確性分值SA(accuracy score,)組成。

穩(wěn)定性的考量是根據(jù)該分類(lèi)器在同一數(shù)據(jù)集下相同規(guī)模的n份不同子數(shù)據(jù)集的訓(xùn)練結(jié)果計(jì)算得出,準(zhǔn)確性的考量是根據(jù)該分類(lèi)器n次訓(xùn)練結(jié)果的準(zhǔn)確率高低確定的。MCC模型的決策分值計(jì)算流程如圖3所示。

圖3 計(jì)算基分類(lèi)器對(duì)應(yīng)決策分值流程

具體方法如下。

(1) 通過(guò)隨機(jī)采樣得到1份不放回的測(cè)試集和n份相等規(guī)模的平衡子訓(xùn)練集,測(cè)試集與訓(xùn)練集數(shù)量之比為1∶3。

(2) 逐個(gè)選取基分類(lèi)器通過(guò)n次訓(xùn)練結(jié)果得出每次的訓(xùn)練準(zhǔn)確率,根據(jù)公式計(jì)算出最終決策的分值,ST(ST∈(0，2))計(jì)算公式為:

STi=SSi+SAi

(1)

(2)

(3)

(4)

其中,t為分類(lèi)器的個(gè)數(shù)(本文t=4)；n為子數(shù)據(jù)集個(gè)數(shù)(本文n=5);aij為第i個(gè)分類(lèi)器在第j個(gè)子數(shù)據(jù)集下的準(zhǔn)確率,j=1,2,…,n。

2.2 組合策略

在得到每個(gè)單分類(lèi)器的決策分值ST后,可以直觀(guān)地看出分類(lèi)效果較好的分類(lèi)器在最終決策中占比較大,但這只是相對(duì)而言,并且每個(gè)分類(lèi)器也不可能達(dá)到100%的預(yù)測(cè)準(zhǔn)確率。組合模型可以去除單個(gè)分類(lèi)器偶然不準(zhǔn)確的缺陷,且能充分考慮到有新用戶(hù)在信用好壞臨界處的現(xiàn)象。組合策略直接影響到最終模型的有效性,MCC模型的組合策略流程如圖4所示。

圖4 組合策略流程

具體方法如下。

(1) 得到第j個(gè)單分類(lèi)器的最終分值STi后,當(dāng)有新客戶(hù)的畫(huà)像特征輸入到分類(lèi)器時(shí),每個(gè)基分類(lèi)器都需要判定客戶(hù)信用好壞。

(2) 計(jì)算判定客戶(hù)信用好的分類(lèi)器決策總分值S0和判定客戶(hù)信用不好的分類(lèi)器決策總分值Si,計(jì)算公式為：

(5)

(6)

(3) 新客戶(hù)信用f(x)通過(guò)比較S0和S1的大小來(lái)確定,公式為:

(7)

其中,m為t個(gè)分類(lèi)器中將客戶(hù)分為1的分類(lèi)器個(gè)數(shù)；S1為所有分類(lèi)器中將該客戶(hù)分為1(即信用不好)的分類(lèi)器總分值；S0為所有分類(lèi)器中將該客戶(hù)分為0(即信用良好)的分類(lèi)器總分值。

本文將單分類(lèi)器的優(yōu)勢(shì)互補(bǔ),通過(guò)多組實(shí)驗(yàn)降低單次實(shí)驗(yàn)的偶然性,并從穩(wěn)定性和準(zhǔn)確性2個(gè)維度來(lái)確定各分類(lèi)器在模型最終決策中的比重。

3 實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)處理

3.1 分類(lèi)評(píng)估標(biāo)準(zhǔn)

分類(lèi)評(píng)估標(biāo)準(zhǔn)是檢驗(yàn)一個(gè)分類(lèi)器是否能夠有效分類(lèi)的重要指標(biāo),本文使用準(zhǔn)確率A、精度P、召回率R、F值4種評(píng)估標(biāo)準(zhǔn),這4種評(píng)估標(biāo)準(zhǔn)都是基于混淆矩陣計(jì)算的,混淆矩陣見(jiàn)表2所列。該矩陣顯示了分類(lèi)算法在將輸入數(shù)據(jù)分配給不同類(lèi)時(shí)的性能[15]。

表2 混淆矩陣

準(zhǔn)確率A反映一個(gè)分類(lèi)器模型的總體性能,表示模型正確地分類(lèi)了多少條數(shù)據(jù),計(jì)算公式為:

(8)

精度P反映模型輸出的可靠性，計(jì)算公式為：

(9)

召回率R展示了模型在實(shí)際欺詐交易檢測(cè)中的有效性，計(jì)算公式為:

(10)

F值為召回率和精度的調(diào)和平均數(shù)，是一個(gè)綜合評(píng)價(jià)的指標(biāo)。因此F值是評(píng)價(jià)不平衡類(lèi)數(shù)據(jù)的一個(gè)更可靠的指標(biāo)，計(jì)算公式為：

(11)

3.2 數(shù)據(jù)集

本文選擇信用評(píng)估中最具有代表性的3個(gè)數(shù)據(jù)集，分別是UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)中的德國(guó)、澳大利亞、中國(guó)信用數(shù)據(jù)。原始數(shù)據(jù)集描述見(jiàn)表3所列。

表3 信用數(shù)據(jù)集

由表3可知，3個(gè)數(shù)據(jù)集通過(guò)4個(gè)方面來(lái)描述借貸人的信息。由于澳大利亞信用數(shù)據(jù)涉及信用卡應(yīng)用程序,所有屬性名稱(chēng)和值都已更改為無(wú)意義的符號(hào),以保護(hù)數(shù)據(jù)的機(jī)密性。本文給出了其他2個(gè)數(shù)據(jù)集的主要特征描述,具體見(jiàn)表4所列。

表4 數(shù)據(jù)集特征描述

3.3 數(shù)據(jù)預(yù)處理

本文首先從數(shù)據(jù)集的特征入手,3個(gè)數(shù)據(jù)集的客戶(hù)畫(huà)像特征分別有20、14、23個(gè),這些屬性如果全部選取,那么預(yù)測(cè)率并沒(méi)有展現(xiàn)很好的效果,并且特征過(guò)多,也會(huì)降低模型的泛化能力,文獻(xiàn)[16]提出了信用評(píng)估問(wèn)題的關(guān)鍵是在考慮以往信用評(píng)分的客觀(guān)事實(shí)和主觀(guān)經(jīng)驗(yàn)的情況下,客戶(hù)的哪些特征對(duì)信用決策有意義。因此需要對(duì)這些特征進(jìn)行加工,用最少的數(shù)據(jù)特征使準(zhǔn)確率盡可能高。

在數(shù)據(jù)集特征選擇上,本文首先根據(jù)數(shù)據(jù)集各個(gè)特征之間的相關(guān)性,尤其是各個(gè)特征與最終信用好壞的相關(guān)性。3個(gè)信用數(shù)據(jù)集特征相關(guān)關(guān)系如圖5所示,具體可根據(jù)顏色深淺來(lái)直觀(guān)反映各個(gè)特征之間相關(guān)性,顏色越淺代表特征之間正相關(guān)性越大,顏色越深代表特征之間負(fù)相關(guān)性越大。

圖5 各信用數(shù)據(jù)集特征相關(guān)關(guān)系

各個(gè)特征與最終信用分類(lèi)相關(guān)值見(jiàn)表5所列。表5中的相關(guān)級(jí)別由1～7表示相關(guān)度逐級(jí)減弱。結(jié)合圖5和表5可以看出,處于第1～2級(jí)別的特征相關(guān)度最高,處于第3～4級(jí)別的特征相關(guān)度較高,處于第5～7級(jí)別的特征相關(guān)度較差。根據(jù)統(tǒng)計(jì)發(fā)現(xiàn),相關(guān)度高的特征集中在表4的償債能力和信用往來(lái)屬性中,而貸款人的基本情況、貸款屬性與最終信用好壞無(wú)太大關(guān)聯(lián)。本文中選擇剔除相關(guān)度較差的特征,將余下特征進(jìn)行下一步處理。

表5 各個(gè)特征與最終信用分類(lèi)相關(guān)值

為科學(xué)評(píng)估個(gè)人信用風(fēng)險(xiǎn),需進(jìn)一步對(duì)剩下數(shù)據(jù)進(jìn)行異常值檢測(cè)?？紤]到銀行人員統(tǒng)計(jì)時(shí)出錯(cuò)或者客戶(hù)避及隱私故意錯(cuò)填的情況,異常值的存在對(duì)于真實(shí)性數(shù)據(jù)集來(lái)說(shuō)難以避免。但對(duì)于異常值敏感的算法(如決策樹(shù))來(lái)說(shuō),會(huì)產(chǎn)生有效性降低等負(fù)面影響。箱線(xiàn)圖是檢測(cè)異常值的一個(gè)標(biāo)準(zhǔn),可以直觀(guān)地看出正常數(shù)據(jù)是集中還是分散,通過(guò)觀(guān)察各方盒和線(xiàn)段長(zhǎng)短可以顯示數(shù)據(jù)分布的偏態(tài)。3個(gè)數(shù)據(jù)集中存在的異常值箱型圖如圖6所示,由于數(shù)據(jù)集中異常值數(shù)量較少,本文選擇剔除異常值數(shù)據(jù),并將剩下的數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集。

圖6 各信用數(shù)據(jù)集中部分特征的箱型圖

從表3可以看出,3個(gè)評(píng)估數(shù)據(jù)集均為不平衡數(shù)據(jù)集,這是由于現(xiàn)實(shí)生活中信用好的客戶(hù)和信用不好的客戶(hù)人數(shù)很難達(dá)到相等,并且大多情況下,信用好的客戶(hù)人數(shù)多于信用不好的客戶(hù)人數(shù)。組合分類(lèi)方法與不平衡數(shù)據(jù)集具有很好的兼容性,處理不平衡數(shù)據(jù)集有多種方法,本文采用無(wú)放回的隨機(jī)欠采樣方法從原數(shù)據(jù)集中抽取了6份平衡子數(shù)據(jù)集,其中1份作為測(cè)試集,5份作為訓(xùn)練集,測(cè)試集和訓(xùn)練集的數(shù)據(jù)比例控制在1∶3。

4 實(shí)驗(yàn)結(jié)果分析

3個(gè)信用數(shù)據(jù)集下各分類(lèi)器準(zhǔn)確率及決策分值見(jiàn)表6所列,將決策分值對(duì)應(yīng)各個(gè)分類(lèi)器,在測(cè)試集下進(jìn)行測(cè)試,最終分類(lèi)器根據(jù)每個(gè)單分類(lèi)器的判斷對(duì)該客戶(hù)進(jìn)行信用好壞打分。

表6 各分類(lèi)器準(zhǔn)確率及總分值

最終MCC模型與KNN、RF、DT、SVM等4個(gè)分類(lèi)器的評(píng)估指標(biāo)對(duì)比如圖7所示,從圖7可以看出,經(jīng)過(guò)MCC模型的分類(lèi)后,澳大利亞、德國(guó)、中國(guó)數(shù)據(jù)集的預(yù)測(cè)準(zhǔn)確率分別達(dá)到90.40%、71.87%、69.3%,相比其他4個(gè)單分類(lèi)器有了很大的提升。

圖7 各算法在數(shù)據(jù)集上的4個(gè)指標(biāo)

再結(jié)合精度、召回率和F值這3個(gè)指標(biāo)來(lái)看,MCC模型也表現(xiàn)了優(yōu)良的效果,MCC模型應(yīng)用在德國(guó)數(shù)據(jù)集上,相比單分類(lèi)器下,準(zhǔn)確率最少提高了7.74%,精度最少提高了14.63%,召回率最少提高了11.25%。

另外,結(jié)合KNN、RF、DT、SVM這4個(gè)單分類(lèi)器的決策分值和準(zhǔn)確率來(lái)看,決策樹(shù)在信用評(píng)估問(wèn)題上表現(xiàn)出良好的性能,其次是RF和SVM。同時(shí)也驗(yàn)證了前人的觀(guān)點(diǎn)。

對(duì)于金融機(jī)構(gòu)來(lái)說(shuō),即使是提高1%的預(yù)測(cè)準(zhǔn)確率,也可以極大地降低風(fēng)險(xiǎn)和損失[17]。本文提出的MCC模型,將信用評(píng)估問(wèn)題中4種常用的分類(lèi)器進(jìn)行組合,并且選擇數(shù)據(jù)集中與最終信用好壞相關(guān)度高的特征,有效地減少了最終分類(lèi)器的運(yùn)行時(shí)間,提高了分類(lèi)器的準(zhǔn)確率。MCC模型將為銀行等金融機(jī)構(gòu)做出參考,應(yīng)用到實(shí)際中去,減少人工作業(yè)成本,提高信用預(yù)測(cè)準(zhǔn)確率,降低風(fēng)險(xiǎn)損失。

5 結(jié) 論

本文基于組合分類(lèi)策略,并在組合模型中引入了決策分值的方法,將單分類(lèi)器從穩(wěn)定性和準(zhǔn)確性2個(gè)維度上進(jìn)行評(píng)判,避免了單分類(lèi)器的不穩(wěn)定性和單次實(shí)驗(yàn)的不可靠性。將MCC模型應(yīng)用到UCI中3個(gè)真實(shí)數(shù)據(jù)集上,實(shí)驗(yàn)結(jié)果表明,組合后的模型準(zhǔn)確率相比單分類(lèi)器都有了明顯的提升,證明了本文提出的MCC模型可以應(yīng)用到實(shí)際中去,對(duì)金融機(jī)構(gòu)有一定的參考作用。