【摘要】：隨著計(jì)算機(jī)網(wǎng)絡(luò)安全水平的不斷提高和互聯(lián)網(wǎng)的迅速發(fā)展,P2P網(wǎng)絡(luò)借貸正在不斷侵蝕著中國(guó)互聯(lián)網(wǎng)市場(chǎng),發(fā)展勢(shì)頭迅猛異常。它是一種獨(dú)立于互聯(lián)網(wǎng)金融機(jī)構(gòu)系統(tǒng)的個(gè)人對(duì)個(gè)人貸款模式。雖然P2P網(wǎng)絡(luò)借貸的發(fā)展帶來(lái)了巨大的經(jīng)濟(jì)效益,但同時(shí)也暴露出一系列的問(wèn)題。由于P2P網(wǎng)絡(luò)借貸平臺(tái)其平臺(tái)運(yùn)作的缺陷,在整個(gè)借貸過(guò)程中缺乏第三方機(jī)構(gòu)的參與,出借方對(duì)風(fēng)險(xiǎn)的評(píng)估主要依據(jù)個(gè)人信用。但由于我國(guó)缺乏有效合理的監(jiān)管制度和相關(guān)的監(jiān)管平臺(tái),再加之借款人相關(guān)的信用信息收集系統(tǒng)不完備,造成借款人逾期違約行為頻繁發(fā)生。因此,在這一背景下從網(wǎng)絡(luò)借貸數(shù)據(jù)出發(fā),利用數(shù)據(jù)挖掘算法分析數(shù)據(jù)特征對(duì)借貸結(jié)果的影響,使提取的特征在實(shí)際分類(lèi)預(yù)測(cè)中具有較好的可靠性和敏感性。本文使用支持向量機(jī)(SVM)作為分類(lèi)器,研究表明,不僅特征選擇會(huì)很大程度上影響支持向量機(jī)的分類(lèi)效果,同時(shí)恰當(dāng)?shù)闹С窒蛄繖C(jī)懲罰參數(shù)和核函數(shù)參數(shù)也可以提高分類(lèi)效果。采用粒子群算法(PSO)對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化,并提出了一種改進(jìn)的粒子群優(yōu)化算法�；诟倪M(jìn)的粒子群優(yōu)化算法優(yōu)化支持向量機(jī)基分類(lèi)器的模型參數(shù),然后采用AdaBoost算法對(duì)以上優(yōu)化的SVM基分類(lèi)器進(jìn)行迭代集成,創(chuàng)建了基于多分類(lèi)器優(yōu)化集成的網(wǎng)絡(luò)借貸違約預(yù)測(cè)模型。以Lending Clud借貸數(shù)據(jù)集為研究對(duì)象,進(jìn)行網(wǎng)絡(luò)借貸違約預(yù)測(cè)模型建模,實(shí)驗(yàn)結(jié)果表明,與標(biāo)準(zhǔn)的SVM算法、PSO-SVM算法、決策樹(shù)算法(CART)和隨機(jī)森林算法(RandomForest)相比,AdaBoost與SVM的結(jié)合使用有效地提高了整個(gè)樣本的分類(lèi)準(zhǔn)確率和泛化率,利用該模型進(jìn)行的網(wǎng)絡(luò)借貸違約預(yù)測(cè)的準(zhǔn)確性明顯優(yōu)于其他模型。最后本文在該模型的基礎(chǔ)上,設(shè)計(jì)和實(shí)現(xiàn)了基于AdaBoost與SVM的網(wǎng)絡(luò)借貸違約預(yù)測(cè)系統(tǒng)。經(jīng)過(guò)獨(dú)立測(cè)試集驗(yàn)證,系統(tǒng)能夠較為準(zhǔn)確的進(jìn)行預(yù)測(cè),精確度達(dá)到92.5%。在功能上和性能上都能滿足系統(tǒng)需求,達(dá)到預(yù)期研究效果。
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：F713.36;F830.5;TP18
【圖文】：

圖 2-1 最優(yōu)分類(lèi)面示意圖Figure 2-1 Optimal classification plane可分支持向量機(jī)分支持向量機(jī)是用來(lái)解決樣本集線性可分問(wèn)題的分類(lèi)問(wèn)的訓(xùn)練樣本集，可以通過(guò)構(gòu)造具有區(qū)間最大化的相應(yīng)凸二類(lèi)超平面： + = 0號(hào)函數(shù) sign 的作用，得到相應(yīng)的分類(lèi)決策函數(shù)：f( ) = ( + )為樣本集線性可分支持向量機(jī)，其中 為權(quán)重系數(shù)， 該分類(lèi)超平面能夠最大限度并正確劃分訓(xùn)練數(shù)據(jù)集,則需可以把問(wèn)題抽象為如下的數(shù)學(xué)表達(dá)式：

將每個(gè)粒子的當(dāng)前位置設(shè)置為個(gè)體極值，使用適應(yīng)度函數(shù)度值，取適應(yīng)度好的那個(gè)粒子做個(gè)體最優(yōu)值，對(duì)應(yīng)的把該局最優(yōu)值；按照粒子的位置和速度更新公式更新粒子的位置和速度；按照粒子的適應(yīng)度函數(shù)計(jì)算每次迭代后每個(gè)粒子的適應(yīng)度將個(gè)體最優(yōu)值的適應(yīng)度值與每個(gè)粒子的適應(yīng)度值比較，如新個(gè)體最優(yōu)值，否則保留原先值；將全局最優(yōu)值比較與更新后的每個(gè)粒子的個(gè)體最優(yōu)值比較則更新全局最優(yōu)值，否則保留原先值；判斷是否滿足終止條件，若所得解已經(jīng)達(dá)到了預(yù)期的效果，就終止迭代，否則返回 Step 3；法流程如圖 2-2 所示：

圖 2-3 AdaBoost 算法過(guò)程示意圖Figure 2-3 AdaBoost algorithm process diagram2.5 本章小結(jié)本章主要對(duì)課題研究所需的的基礎(chǔ)理論及相關(guān)技術(shù)進(jìn)行全面、深入的闡述與分析。首先，介紹了 P2P 網(wǎng)路借貸的基本理論、特征、運(yùn)行模式等。其次，對(duì)支持向量機(jī)、粒子群算法和 AdaBoost 算法的原理進(jìn)行較全面的介紹。為網(wǎng)絡(luò)借貸違約預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)打下堅(jiān)實(shí)的理論基礎(chǔ)。

【相似文獻(xiàn)】

相關(guān)期刊論文 前9條

1 楊云;盧美靜;穆天紅;;基于AdaBoost-SVM的葡萄酒品質(zhì)分類(lèi)模型優(yōu)化設(shè)計(jì)[J];陜西科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年01期

2 降愛(ài)蓮;楊興彤;;基于AdaBoost-SVM級(jí)聯(lián)分類(lèi)器的行人檢測(cè)[J];計(jì)算機(jī)工程與設(shè)計(jì);2013年07期

3 楊振軍;蘇忠亭;王偉;王琳;;基于AdaBoost-SVM算法的某火炮炮閂技術(shù)狀態(tài)評(píng)估[J];裝甲兵工程學(xué)院學(xué)報(bào);2012年02期

4 高榮星;魏驍勇;王俊峰;;一種基于Adaboost-SVM的高層次語(yǔ)義概念提取方法[J];計(jì)算機(jī)應(yīng)用與軟件;2012年04期

5 錢(qián)揖麗;馮志茹;;利用AdaBoost-SVM集成算法和語(yǔ)塊信息的韻律短語(yǔ)識(shí)別[J];計(jì)算機(jī)工程與科學(xué);2015年12期

6 王露茜;王嘉e

本文編號(hào)：2772267