[发明专利]基于阴影划分的集成SVM个人信用评估方法

说明书

本发明涉及信用监测技术领域，具体涉及一种基于阴影划分的集成SVM个人信用评估方法，包括：对训练数据进行预处理，进行特征选择，识别边界样本并对样本空间进行阴影划分，对训练数据进行采样，形成多组训练集以训练集成SVM模型，将待预测样本输入到训练好的集成SVM预测模型中，训练好的集成SVM预测模型通过m个基分类器投票的方式对待预测样本进行分类，每个基分类器投1票，所有基分类器投票完毕后，将待预测样本分到投票数最多的类中，输出信用评级，同时将数据存入数据库中。本发明对用户的信用评分进行科学的预测与评估，通过有效特征与样本的提取和筛选，有效提高用户信用监测的精度，有利于有效降低信贷或金融企业的信贷风险。

技术领域

本发明涉及信用监测技术领域，具体涉及一种基于阴影划分的集成SVM个 人信用评估方法。

背景技术

近两年信贷类业务发展迅猛，P2P网贷为投资者和筹资者提供了便捷的信息 平台，得到巨大发展。但是，信贷行业中存在着借款方因各种原因不愿或无力 履行合同条件而构成违约，致使银行、投资者或交易对方遭受损失的可能性， 存在一定信用风险。因此，信用风险管理逐渐成为各大金融机构研究的一大热 点，良好的信用评估方法是其避免信用风险，得以进一步发展的保证。

目前，通过智能数据挖掘算法对信用数据进行处理从而得到用评估是现在 及未来的发展方向。数据挖掘中有两种通用的分类方法。第一种分类方法是基 于实例的惰性学习，例如k最近邻(KNN)。这种懒惰的学习没有训练阶段。简 单地将新实例与现有实例进行比较，并选择k个最近的邻居进行分类。这种方 法的模型储存需求较大。另一种是基于模型的学习，例如决策树、规则集、神 经网络和支持向量机(SVM)。这些方法在训练集上建立分类器，在忽略训练集 的同时使用该分类器对新实例进行分类。基于模型的学习的优点包括模型的存 储需求低和分类的时间复杂度低，但其需要额外的训练时间。支持向量机(SVM)通过对分类器进行集成，其分类精度可以得到额外提升，将SVM应用于信用风 险评价中相比于其他模型,该方法分类性能具有一定优越性，但对于SVM而言， 此类算法训练时间较长，如何提高基于SVM的集成分类模型的训练效率同时保 留其对信用评分数据的分类精度甚至提高其分类精度是一个重要研究点。

发明内容

为了解决上述问题，本发明提供一种基于阴影划分的集成SVM个人信用评 估方法。

一种基于阴影划分的集成SVM个人信用评估方法，包括以下步骤：

将待预测样本输入到训练好的SVM预测模型中，训练好的SVM预测模型 通过m个基分类器投票的方式对待预测样本进行分类，每个基分类器投1票， 所有基分类器投票完毕后，将待预测样本分到投票数最多的类中，输出信用评 级，同时将数据存入数据库中；

其中训练好的SVM预测模型采用以下方式获取：

S1、获取原始数据，从原始数据中选择对预测有关联的特征，得到特征集 合；

S2、对特征集合进行预处理，得到预处理后的特征集合；

S3、使用基于邻域粗糙集的特征选择算法从预处理后的特征集合中选择最 优特征子集；

S4、构建邻域粗糙隶属度函数；

S5、通过邻域粗糙隶属度函数计算每个类簇中对应对象的隶属度值，将每 个类簇中的对象的隶属状态模糊化，在模糊化后，每个类簇都会形成一个模糊 集，然后根据模糊集构建阴影集；

S6、通过阴影集映射的方式将每个类簇划分为三个不相交区域，分别为 elevated域、reduced域和shadow域；