基于半监督广义可加Logistic回归的信用评分方法

摘要：

传统的信用评分模型主要基于有监督学习(supervised learning)方法,但是,在实际的贷款问题中,有标记样本信息的获取往往成本较高、难度较大、周期较长,而无标记样本信息则大量存在.为了能在建模中充分利用无标记样本信息,本文提出了一种基于半监督广义可加(semi-supervised generalized additive,SSGA) Logistic回归的信用评分模型.该模型不但能处理线性不可分问题,也能同时利用有标记与无标记样本信息,并同步实现模型参数的估计和显著变量的选择.通过模拟实验表明,所提出的模型在外推预测和变量选择方面的表现均显著优于有监督模型.最后,将该模型应用于个人信用贷款违约风险的评估中.

关键词：半监督、广义可加logistic回归、信用评分、无标记样本

所属期刊栏目：40

分类号：F832.479(金融、银行)

资助基金：国家自然科学基金面上项目;中央高校基本科研业务费专项资金;国家统计局重大项目

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11页

页码：392-402