BP神經(jīng)網(wǎng)絡(luò)和Logistic回歸在信用評(píng)級(jí)上的應(yīng)用與模型對(duì)比.pdf

1、隨著經(jīng)濟(jì)、技術(shù)的不斷發(fā)展，金融行業(yè)銀行業(yè)務(wù)的日趨成熟，科學(xué)技術(shù)與傳統(tǒng)行業(yè)的結(jié)合已成為時(shí)代的主流。也伴隨著p2p、網(wǎng)上銀行、眾籌等借貸平臺(tái)的出現(xiàn)，銀行個(gè)人信用評(píng)估在金融行業(yè)的發(fā)展的地位也越來也重要。信用是經(jīng)濟(jì)得以健康快速發(fā)展的重要保證，銀行的個(gè)人信用評(píng)估也同時(shí)影響著房屋借貸、汽車借貸等進(jìn)入業(yè)務(wù)，因此快速度，高效率的信用評(píng)估已成為大多數(shù)銀行提高工作效率的共同需求。在科技高速發(fā)展的時(shí)代，利用人工智能搜索平臺(tái)獲取更多的信息用于信用評(píng)估，以及在利

2、益最大化與風(fēng)險(xiǎn)最小化的驅(qū)動(dòng)下，使用數(shù)據(jù)挖掘技術(shù)，與機(jī)器學(xué)習(xí)的算法，可以提高審批效率，同時(shí)避免銀行客戶流失與放款錯(cuò)誤帶來的不利影響。
　　本文從銀行信用評(píng)估的發(fā)展形勢(shì)與現(xiàn)狀分析著手，以 UCI中1000條信用數(shù)據(jù)作為數(shù)據(jù)來源，使用數(shù)據(jù)挖掘，與機(jī)器學(xué)習(xí)的算法，建立模型。使用神經(jīng)網(wǎng)絡(luò)，Logistic回歸的機(jī)器學(xué)習(xí)算法。其中，隨機(jī)抽樣70%數(shù)據(jù)作為訓(xùn)練集，30%數(shù)據(jù)為測(cè)試集，用于訓(xùn)練好的模型預(yù)測(cè)，得出預(yù)測(cè)結(jié)果并與真實(shí)值進(jìn)行比較，計(jì)算模型