Adaboost組合分類模型在信用評(píng)估領(lǐng)域應(yīng)用研究.pdf

1、消費(fèi)信貸的發(fā)展對(duì)于國(guó)家社會(huì)都有著很多積極意義，例如擴(kuò)大內(nèi)需、加快社會(huì)消費(fèi)結(jié)構(gòu)升級(jí)、改善銀行資產(chǎn)結(jié)構(gòu)和提高效益，但是缺乏科學(xué)高效的信用評(píng)估方法是制約消費(fèi)信貸發(fā)展的重要問題。目前信用評(píng)估領(lǐng)域存在著單一分類模型難以同時(shí)兼顧高精確性和高穩(wěn)健性，并且模型的使用受到樣本地域性限制的問題，本文將引入組合分類思想，將Adaboost組合分類模型應(yīng)用于這一領(lǐng)域，嘗試解決上述問題。
　　本文主要從精確性、穩(wěn)健性和應(yīng)用范圍三個(gè)方面分析模型分類性能。本文

2、對(duì)國(guó)內(nèi)外文獻(xiàn)從信用評(píng)估和組合分類兩方面進(jìn)行梳理，分析了組合分類的可行性。利用國(guó)內(nèi)信用樣本檢驗(yàn)Adaboost組合分類模型的精確性和穩(wěn)健型，利用國(guó)外樣本對(duì)Adaboost組合分類模型的應(yīng)用范圍進(jìn)行探討。通過實(shí)證結(jié)果的比較可以看出，在模型的精確性和穩(wěn)健性方面，Adaboost組合分類模型在精確性上的97.33％和穩(wěn)健性上的0.47%兩個(gè)方面均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)分類模型、決策樹分類模型和Logistic回歸分類模型，說明了Adaboost算法確

3、實(shí)有改善單一模型應(yīng)用中精確性和穩(wěn)健性不能同時(shí)兼得的作用。另外非線性分類模型的精確性要優(yōu)于線性分類模型，部分非線性分類模型的穩(wěn)健性不如線性分類模型。在模型的應(yīng)用范圍方面，Adaboost組合分類模型在基分類模型的分類精度不高的情況下，發(fā)揮融合決策特點(diǎn)，提升分類模型性能明顯。因此可以認(rèn)為Adaboost組合分類模型具有較好的實(shí)用性和較廣的應(yīng)用范圍，雖不能保證完全擬合當(dāng)?shù)匦庞脴颖緮?shù)據(jù)，但相對(duì)于單一分類模型，尤其是分類性能較弱的分類模型，有較強(qiáng)