银行客户信用评估动态分类器集成选择模型
现实的银行客户信用评估数据常包含大量的缺失值,这在很大程度上影响了信用评估模型的性能。针对已有模型的不足,提出了面向缺失数据的动态分类器集成选择模型DCESM 。该模型充分利用数据集中所包含的已知信息,在训练信用评估模型之前不需要事先对缺失数据进行预处理,从而减少了对数据缺失机制假设以及数据分布模型的依赖。从UCI数据库中选择两个银行信用卡业务信用评估数据集进行实证分析,结果表明,与4种常用的基于插补法的多分类器集成模型以及1种直接面向缺失数据建模的集成模型相比,DCESM模型能够取得更好的客户信用评估性能。
信用评估、缺失数据、动态分类器集成选择
F830.91(金融、银行)
国家自然科学基金资助项目71471124;71101100;71273036;四川省社科规划资助项目SC14C019;四川省教育厅创新团队资助项目13TD0040;四川大学优秀青年基金资助项目2013SCU04A08;四川大学学科前沿与交叉创新资助项目 skqy201352.
2015-04-27(万方平台首次上网日期,不代表论文的发表时间)
共13页
114-126