【摘要】：我國征信行業(yè)起步較晚,目前個人信用體系存在著數(shù)據(jù)來源不全面、覆蓋人群不廣泛、預(yù)測效率不高等問題。而電信運(yùn)營商作為寬帶和移動互聯(lián)網(wǎng)的流量提供者,在業(yè)務(wù)運(yùn)營中積累了大量的用戶數(shù)據(jù),涵蓋了生活的方方面面,且可信度非常高,這些海量、穩(wěn)定、快速增長的數(shù)據(jù)為運(yùn)營商進(jìn)行征信服務(wù)提供了得天獨(dú)厚的條件。另外一方面,隨著電信業(yè)務(wù)規(guī)模不斷擴(kuò)大,業(yè)務(wù)產(chǎn)品不斷創(chuàng)新,對于電信用戶的個人信用評價成為減少壞賬風(fēng)險,提升業(yè)務(wù)收入的重要環(huán)節(jié)。針對這些問題和需求,本文基于電信用戶數(shù)據(jù)進(jìn)行特征選擇與建模,參考金融領(lǐng)域的信用評分機(jī)制,構(gòu)建了電信用戶信用評分卡模型。主要工作如下:(1)多維度真實(shí)業(yè)務(wù)數(shù)據(jù)的預(yù)處理�；陔娦胚\(yùn)營商的真實(shí)業(yè)務(wù)數(shù)據(jù),對數(shù)據(jù)集進(jìn)行了預(yù)處理,提出了一種處理不平衡數(shù)據(jù)集的融合算法,該算法綜合考慮了過采樣和欠采樣的優(yōu)缺點(diǎn),實(shí)現(xiàn)了近鄰點(diǎn)欠采樣和自適應(yīng)綜合過采樣這兩種算法的融合。經(jīng)過實(shí)驗驗證,相比傳統(tǒng)的不平衡數(shù)據(jù)集處理方法,融合算法的處理效果更好。(2)提出了一種新框架下的特征選擇方法。針對獲取的電信用戶數(shù)據(jù)進(jìn)行探索性分析,根據(jù)分析結(jié)果對特征進(jìn)行了單列處理和選擇,提出并行尋優(yōu)的特征選擇方法,經(jīng)過實(shí)驗驗證,在特征比較少的情況下,新方法可以在不降低后續(xù)訓(xùn)練模型的性能的前提下保留最多的有用信息。(3)設(shè)計構(gòu)建和實(shí)現(xiàn)了基于評分卡形式的信用評估模型。利用常用的機(jī)器學(xué)習(xí)算法構(gòu)建電信用戶信用評估模型并進(jìn)行實(shí)驗對比分析,綜合考慮預(yù)測能力和可解釋性選擇邏輯回歸算法實(shí)現(xiàn)電信用戶信用評估模型,并創(chuàng)新性地將金融領(lǐng)域的評分卡模型應(yīng)用到電信領(lǐng)域,實(shí)現(xiàn)了從模型到評分卡的轉(zhuǎn)換。(4)設(shè)計和實(shí)現(xiàn)了具擴(kuò)展性的信用評分原型系統(tǒng)。結(jié)合具體業(yè)務(wù)場景和需求,設(shè)計多個功能模塊,方便后續(xù)的擴(kuò)展和業(yè)務(wù)應(yīng)用。綜上所述,本文經(jīng)過數(shù)據(jù)預(yù)處理、特征處理等工作,選擇了邏輯回歸算法構(gòu)建了電信用戶信用評估模型,并將銀行客戶評分卡模式應(yīng)用到電信領(lǐng)域,為運(yùn)營商進(jìn)行風(fēng)控和信控提供了可行的思路。
【圖文】：

圖 2-1 Logistic 函數(shù)Figure 2-1 Logistic function模型是建立ln( )1p p與自變量的線性回歸模型，邏示：nln( ) x x x1ppp 的取值范圍是 ， ，這樣，自變量 1， 2，，記ng( ) x x xpx ，得到公式（2( )1( 1| )1g xp P y Xe ( ) ( )1 11 ( 0 | ) 11 1g x xp P ye egX

北京工業(yè)大學(xué)工程碩士專業(yè)學(xué)位論文2.2.2 SVM 算法SVM 即支持向量機(jī)，全稱為 Support Vector Machine，屬于有監(jiān)督學(xué)習(xí)算法的一種[36]。SVM 要解決的問題可以用經(jīng)典的兩類問題來描述。如圖 2-2 所示，紅色和藍(lán)色的二維數(shù)據(jù)點(diǎn)被一條直線清楚地分開，在模式識別領(lǐng)域被稱為線性可分離問題，但是，顯然有兩條直線可以將兩種數(shù)據(jù)點(diǎn)分開。圖 2-2 中（b）和（c）分別顯示了兩種不同的分類方案，其中實(shí)心黑線是分界線，稱為 決策平面 。 每個決策平面對應(yīng)于線性分類器。盡管兩個分類器的分類結(jié)果在當(dāng)前數(shù)據(jù)中是相同的，但是如果考慮潛在的其他數(shù)據(jù)，，則兩者的分類性能是不同的。
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP311.13;F626

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 陳一昕;谷靜宜;王蕾;朱志勇;劉韻潔;;基于中國聯(lián)通大數(shù)據(jù)的個人征信評估方法[J];信息通信技術(shù);2015年06期

2 葉文輝;;大數(shù)據(jù)征信機(jī)構(gòu)的運(yùn)作模式及監(jiān)管對策——以阿里巴巴芝麻信用為例[J];新金融;2015年07期

3 歐陽紅兵;李雅琪;;中外征信體系比較研究及啟示[J];商業(yè)經(jīng)濟(jì)研究;2015年07期

4 徐志維;廖健;;基于支持向量機(jī)的電信客戶信用風(fēng)險評估模型[J];電腦與電信;2013年08期

5 尤曉明;;個人信用評分系統(tǒng)應(yīng)用現(xiàn)狀與展望[J];中國信用卡;2009年06期

6 李曉宇;張新峰;沈蘭蓀;;支持向量機(jī)(SVM)的研究進(jìn)展[J];測控技術(shù);2006年05期

相關(guān)會議論文 前1條

1 宋光興;李濤;;信用缺失對我國電子商務(wù)發(fā)展的影響及對策分析[A];第八屆中國青年運(yùn)籌信息管理學(xué)者大會論文集[C];2006年

相關(guān)博士學(xué)位論文 前2條

1 張萬軍;基于大數(shù)據(jù)的個人信用風(fēng)險評估模型研究[D];對外經(jīng)濟(jì)貿(mào)易大學(xué);2016年

2 弋濤;信用卡風(fēng)險管理研究[D];西南財經(jīng)大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 章華;基于電信數(shù)據(jù)的用戶信用評價模型的研究[D];北京郵電大學(xué);2018年

2 楊靜;信用評分卡的建立與應(yīng)用[D];天津商業(yè)大學(xué);2018年

3 劉學(xué)超;大數(shù)據(jù)背景下的我國社會信用體系建設(shè)研究[D];燕山大學(xué);2018年

4 勾婷婷;BP神經(jīng)網(wǎng)絡(luò)和Logistic回歸在信用評級上的應(yīng)用與模型對比[D];重慶大學(xué);2017年

5 倪顯情;基于數(shù)據(jù)挖掘技術(shù)的信用評分卡模型[D];蘇州大學(xué);2017年

6 王茁宇;基于Logistic模型的P2P網(wǎng)絡(luò)借貸個人信用評估研究[D];寧波大學(xué);2017年

7 簡敏;基于GA-K2算法的貝葉斯網(wǎng)絡(luò)研究及在個人信用評估的應(yīng)用[D];暨南大學(xué);2016年

8 黃苛;H運(yùn)營商基于大數(shù)據(jù)的通信用戶征信研究[D];北京林業(yè)大學(xué);2016年

9 毋非非;中美個人信用檔案建設(shè)和運(yùn)行機(jī)制的比較[D];鄭州大學(xué);2013年

10 曹林;基于統(tǒng)計學(xué)習(xí)的數(shù)據(jù)預(yù)處理缺失值清洗方法研究[D];哈爾濱工程大學(xué);2012年

本文編號：2676049