[发明专利]一种基于贝叶斯网络和互信息的客户信用评分方法

说明书

技术领域

本发明涉及一种利用数据挖掘或机器学习技术进行客户信用评分的方法，尤其是一种基于贝叶斯网络和互信息的客户信用评分方法。

背景技术

信用评分(creditscoring)也称客户信用(或资信)评估(或评级)，是近年来兴起的一种为了保障银行等金融机构的金融安全(即降低其市场活动风险)而采用的一种对客户资信进行分析预测的方法。

信用评分是指根据客户的实证属性(empiricalattributes)(如：客户的年龄、学历、收入、家庭情况，等)和客户信用历史属性(如：客户的按时还款(贷)情况、骗保情况，等)来构建一个信用评分模型(creditscoringmodel)，然后利用该信用评分模型来预测客户的信用分数(creditscore)，从而评估客户的未来信用表现。

现有的信用评分方法主要分为四类(参见：“Nan-ChenHsieha,Lun-PingHung:Adatadrivenensembleclassifierforcreditscoringanalysis.ExpertSystemswithApplications,Volume37,Issue1,January2010,Pages534–545；DOI:10.1016/j.eswa.2009.05.059”)：支持向量机(supportvectormachine)方法、决策树(decisiontree)方法、神经网络(neuralnetwork)方法、以及贝叶斯网络(Bayesiannetwork)方法。

支持向量机方法，典型的是Kima和Ahn于2012年提出的方法(参见：“Kyoung-jaeKima,HyunchulAhn:Acorporatecreditratingmodelusingmulti-classsupportvectormachineswithanordinalpairwisepartitioningapproach.Computers&OperationsResearch,Volume39,Issue8,August2012,Pages1800–1811；DOI:10.1016/j.cor.2011.06.023”)。该类方法需要通过训练样本来构建信用评分模型，但由于其难以处理大规模的训练样本，在实际中应用效果不佳。

决策树方法，典型的是Bozsik和于2011年提出的方法(参见：“JózsefBozsik,GergelyDecisiontree-basedcreditdecisionsupportsystem.LINDI2011-3rdIEEEInternationalSymposiumonLogisticsandIndustrialInformatics,Proceedings,IEEEComputerSociety,2011,Pages:189-193；DOI:10.1109/LINDI.2011.6031145”)。该类方法难以根据不完整的客户数据来构建信用评分模型，且预测准确性(accuracy)与精度(precision)较低。

神经网络方法，典型的是Hsieh于2005年提出的方法(参见：“Nan-ChenHsieh:Hybridminingapproachinthedesignofcreditscoringmodels.ExpertSystemswithApplications,Volume28,Issue4,May2005,Pages655–665；DOI:10.1016/j.eswa.2004.12.022”)。该类方法存在以下缺陷：(1)除了大量客户数据外，还需很多的输入参数(如：网络拓扑结构、阈值、权重值，等)才能构建信用评分模型；(2)信用评分模型的直观性、评价结果的可解释性不够，从而影响输出结果的可信度。