版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、近年來(lái),隨著經(jīng)濟(jì)的快速發(fā)展,人們的消費(fèi)觀念也隨之改變,人們?cè)絹?lái)越傾向于提前消費(fèi),越來(lái)越多的人向銀行或者商業(yè)公司等金融機(jī)構(gòu)申請(qǐng)貸款,申請(qǐng)人往往關(guān)心能否被授予貸款。銀行等金融機(jī)構(gòu)則關(guān)注申請(qǐng)人是否能按事先約定的時(shí)間償還貸款,他們應(yīng)用信用評(píng)分模型來(lái)作為評(píng)估個(gè)人信用評(píng)分的工具,判斷是否將貸款授予申請(qǐng)人,同時(shí)預(yù)測(cè)申請(qǐng)人是違約顧客還是信譽(yù)顧客。如何將銀行等金融機(jī)構(gòu)的損失降到最小,使利潤(rùn)獲得最大,是信用決策者一直關(guān)注的問(wèn)題,因此,建立合適有效的信用評(píng)分
2、模型顯得尤為重要。
本文采用非平衡個(gè)人信用數(shù)據(jù),在對(duì)非平衡數(shù)據(jù)進(jìn)行預(yù)處理時(shí),采用重抽樣方法中的隨機(jī)過(guò)抽樣方法,應(yīng)用模型選擇影響個(gè)人信用評(píng)分的因素時(shí),采用傳統(tǒng)的Logistic回歸方法,以及在Logistic回歸方法上進(jìn)行改進(jìn)的Lasso-Logistic回歸、Adaptive Lasso-Logistic回歸三種方法,Lasso-Logistic回歸在似然函數(shù)上加了懲罰項(xiàng),Adaptive Lasso-Logistic回歸在懲
3、罰項(xiàng)上加權(quán)重,對(duì)不同的回歸系數(shù)給予不同的懲罰,即用適應(yīng)性的權(quán)重來(lái)懲罰不同的系數(shù),在計(jì)算系數(shù)權(quán)重時(shí),AdaptiveLasso-Logistic回歸方法分別將極大似然估計(jì)和嶺估計(jì)作為最初的估計(jì),通過(guò)對(duì)個(gè)人信用評(píng)分?jǐn)?shù)據(jù)的分析,以最小誤分類錯(cuò)誤和預(yù)測(cè)精度作為衡量標(biāo)準(zhǔn),并采用ROC曲線進(jìn)行驗(yàn)證,分析比較幾種方法在信用評(píng)分中的預(yù)測(cè)結(jié)果。
通過(guò)對(duì)信用數(shù)據(jù)應(yīng)用上述幾種方法,實(shí)踐結(jié)果表明,Logistic回歸及其改進(jìn)的方法都具有很好的穩(wěn)健性和
4、可解釋性,相比較而言,Logistic回歸的預(yù)測(cè)精度確是最低的,而誤分類錯(cuò)誤也是最高的,由于Lasso-Logistic回歸在 Logistic回歸方法上進(jìn)行了懲罰估計(jì),其選擇了相對(duì)較少的變量,降低了模型的復(fù)雜度,并且提高了模型的預(yù)測(cè)精度,減少了誤分類錯(cuò)誤。Adap tive Lasso-Lo gistic回歸方法給予每個(gè)系數(shù)適應(yīng)性的權(quán)重,最初估計(jì)選用極大似然估計(jì)時(shí),模型表現(xiàn)出最好的預(yù)測(cè)精度以及最低的誤分類錯(cuò)誤,同時(shí)第I類錯(cuò)誤和第II類
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- Logistic回歸及其相關(guān)方法在個(gè)人信用評(píng)分中的應(yīng)用.pdf
- 基于Logistic回歸的神經(jīng)網(wǎng)絡(luò)模型在個(gè)人信用評(píng)估中的應(yīng)用.pdf
- 銀行個(gè)人信用評(píng)分方法及其應(yīng)用研究.pdf
- 個(gè)人信用評(píng)估方法優(yōu)化及其在我國(guó)應(yīng)用研究.pdf
- SVM及其在個(gè)人信用評(píng)級(jí)中的應(yīng)用研究.pdf
- 異態(tài)集成學(xué)習(xí)方法在個(gè)人信用評(píng)估中的應(yīng)用.pdf
- logistic回歸在醫(yī)學(xué)中應(yīng)用
- 多種分類模型在個(gè)人信用評(píng)估中的應(yīng)用
- 多種分類模型在個(gè)人信用評(píng)估中的應(yīng)用.pdf
- 個(gè)人信用評(píng)分組合模型研究與應(yīng)用.pdf
- 個(gè)人信用評(píng)分混合模型研究.pdf
- BP神經(jīng)網(wǎng)絡(luò)研究及其在個(gè)人信用評(píng)估中的應(yīng)用.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的分類方法研究及其在個(gè)人信用評(píng)估中的應(yīng)用.pdf
- 基于ALB模型的個(gè)人信用評(píng)分系統(tǒng)設(shè)計(jì)及其應(yīng)用研究.pdf
- 基于案例推理循環(huán)優(yōu)化的個(gè)人信用評(píng)分方法研究.pdf
- 集成分類器及其在個(gè)人信用評(píng)估的應(yīng)用.pdf
- 個(gè)人信用評(píng)分組合模型研究.pdf
- 基于Probit回歸的個(gè)人信用評(píng)估模型研究.pdf
- 個(gè)人信用評(píng)估的Logistic-RBF組合預(yù)測(cè)模型研究.pdf
- 隨機(jī)森林在個(gè)人信用評(píng)估中的應(yīng)用研究.pdf
評(píng)論
0/150
提交評(píng)論