基于Metacost的客户信用评估半监督异构集成模型研究

摘要：

针对现实中信用评估存在的问题,本研究将元代价敏感学习、半监督学习和异构集成等技术结合,提出了基于Metacost的客户信用评估半监督异构集成模型(Metacost based semi-supervised heterogeneous ensemble model,Meta-Semi—HE).该模型主要包括三个阶段:1)用Metacost方法修改初始有标签训练集得到Lm;2)在
L上通过AdaBoost方法训练N个异构分类器hi(i=1,…,N),用伴随分类器组合Hi选择性标记无标签数据集的样本,并将其添加到Lm中,用新的Lm重新训练N个异构分类器.重复这一步骤,不断提高分类器性能,直至满足终止条件;3)用最终的N个异构分类器对测试集样本分类.在6个客户信用评估数据集上进行实证分析,结果表明,与已有的3种半监督集成模型和2种监督式集成模型相比,本研究提出的模型具有更好的客户信用评估性能.

关键词：客户信用评估、类别分布不平衡、代价敏感学习、半监督、异构集成

所属期刊栏目：30

分类号：TP18;F270(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;四川省杰出青年基金资助项目;四川省天府万人计划;四川省软科学研究计划项目;四川大学国家领军人才培育基金资助项目

在线出版日期：2023-03-02（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：211-221