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

1、消費信貸的發(fā)展對于國家社會都有著很多積極意義，例如擴大內(nèi)需、加快社會消費結(jié)構(gòu)升級、改善銀行資產(chǎn)結(jié)構(gòu)和提高效益，但是缺乏科學(xué)高效的信用評估方法是制約消費信貸發(fā)展的重要問題。目前信用評估領(lǐng)域存在著單一分類模型難以同時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)用范圍三個方面分析模型分類性能。本文

2、對國內(nèi)外文獻從信用評估和組合分類兩方面進行梳理，分析了組合分類的可行性。利用國內(nèi)信用樣本檢驗Adaboost組合分類模型的精確性和穩(wěn)健型，利用國外樣本對Adaboost組合分類模型的應(yīng)用范圍進行探討。通過實證結(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、實有改善單一模型應(yīng)用中精確性和穩(wěn)健性不能同時兼得的作用。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，提升分類模型性能明顯。因此可以認為Adaboost組合分類模型具有較好的實用性和較廣的應(yīng)用范圍，雖不能保證完全擬合當?shù)匦庞脴颖緮?shù)據(jù)，但相對于單一分類模型，尤其是分類性能較弱的分類模型，有較強