改进的SSVM集成算法在信用风险评估中的应用

摘要：

为进一步提高选择性支持向量机(SSVM)的分类精度,提出一种基于改进的SSVM的集成算法(AR-SKB).利用AdaBoost算法和基于广义差别矩阵的粗糙集属性约简算法对样本和样本的属性特征进行扰动,生成差异度较大的个体SVM;利用自组织映射(SOM)和K-means聚类算法结合的聚类算法(SOM-K)对训练出来的个体SVM进行分类,选择每类中训练精度最高的SVM作为最优个体;用BP算法将最优个体进行非线性集成.实验结果表明,该算法在UCI两个数据集上的分类精度分别提高了2.7％和2.2％.

关键词：信用风险评估、选择性支持向量机、自适应增强(AdaBoost)、粗糙集约简、集成

所属期刊栏目：40

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目71571092;江苏省自然科学基金青年基金项目BK20150935;江苏省研究生科研与实践创新计划基金项目KYCX-0874

在线出版日期：2019-11-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：2822-2826