基于关联规则赋权特征选择集成的信用分类研究

摘要：

针对信用分类数据集中常见的高维性特征,本文基于特征袋装法和关联规则挖掘算法,构建了新的赋权特征选择集成模型AR-WSAB.该模型能根据频繁项集的支持度和置信度,对各特征的重要度进行测度,进而选择出各特征子集,训练子分类器,再通过集成得到最终结果.通过在贷款违约预测数据集上进行实证分析,结果表明该模型分类正确率相对于Bagging集成模型和PCA算法都有显著优势,所提方法能够有效处理高维性特征,并且在各分类算法上都具有普适性.

关键词：高维性、信用风险分类、关联规则挖掘、特征选择、赋权特征袋装法

所属期刊栏目：40

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金重点项目71433001

在线出版日期：2020-05-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：366-372