發(fā)布時(shí)間：2020-06-19 14:25

【摘要】：本文數(shù)據(jù)來源為“東證期貨杯”全國(guó)大學(xué)生統(tǒng)計(jì)建模大賽中選題二提供的貸款機(jī)構(gòu)歷史業(yè)務(wù)數(shù)據(jù)~([1])。首先,針對(duì)數(shù)據(jù)缺失,對(duì)連續(xù)變量根據(jù)數(shù)據(jù)缺失率分別采用刪除法和多重填補(bǔ)法處理,名義變量采用特殊類別法處理;在信用數(shù)據(jù)不平衡問題上,結(jié)合K均值算法欠抽樣與SMOTE過抽樣組合抽樣方法在處理數(shù)據(jù)不平衡問題上有較好的預(yù)測(cè)效果。其次,在變量體系指標(biāo)選擇方面,改進(jìn)了logistic回歸的Lasso估計(jì),采用四種信用評(píng)分模型對(duì)變量選擇方法進(jìn)行比較:針對(duì)不同模型特點(diǎn),該變量選擇方法對(duì)預(yù)測(cè)結(jié)果有不同程度提升。最后,經(jīng)過實(shí)驗(yàn)比較可得,隨機(jī)森林分類精度高;logistic回歸總體分類精度略低于其他模型,但對(duì)于數(shù)據(jù)中少類樣本的識(shí)別要高于一般模型;決策樹模型分類精度略低于隨機(jī)森林,但對(duì)數(shù)據(jù)中少類樣本識(shí)別率不高。
【學(xué)位授予單位】：暨南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：F832.4
【圖文】：

圖 3.1 變量系數(shù)隨懲罰參數(shù)變化圖特殊 Lambda 值錯(cuò)誤分類率置信度圖 3.2 基于模型分類錯(cuò)誤率的 變化過程進(jìn)一步，為避免造成過擬合情況，通過交叉驗(yàn)證對(duì)模型擬合，此時(shí)關(guān)于懲罰參數(shù) 值選擇過程如圖 3.2 所示。圖 3.2 中，下橫坐標(biāo)為 log ，上橫坐標(biāo)為對(duì)應(yīng) 時(shí)的非零系數(shù)

20圖 3.2 基于模型分類錯(cuò)誤率的 變化過程進(jìn)一步，為避免造成過擬合情況，通過交叉驗(yàn)證對(duì)模型擬合，此時(shí)關(guān)于懲罰參數(shù) 值選擇過程如圖 3.2 所示。圖 3.2 中，下橫坐標(biāo)為 log ，上橫坐標(biāo)為對(duì)應(yīng) 時(shí)的非零系數(shù)個(gè)數(shù)，縱坐標(biāo)為模型分類錯(cuò)誤率。圖中兩條虛線分別代表了兩個(gè)特殊的 值，一個(gè)指在方差范圍內(nèi)得到最簡(jiǎn)單模型的 值，另一個(gè)指在所有 中得到最小目標(biāo)參量均值�；谀Ｐ蛪嚎s變量考慮，模型選擇變量為 19 個(gè)。3.3logistic 回歸的 Lasso 估計(jì)方法改進(jìn)3.3.1 自適應(yīng) Lasso 估計(jì)由于在進(jìn)行高維數(shù)據(jù)分析時(shí) Lasso 傾向于篩選出較多的變量，即存在過度估計(jì)問題，Zou（2006）提出了自適應(yīng) Lasso（adaptive Lasso）方法，目的是在1l 懲罰下使用自適應(yīng)

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 宋麗平;張利坤;徐瑋;;P2P網(wǎng)絡(luò)借貸個(gè)人信用風(fēng)險(xiǎn)評(píng)估[J];財(cái)會(huì)月刊;2015年35期

2 張發(fā)明;;一種融合SOM與K-means算法的動(dòng)態(tài)信用評(píng)價(jià)方法及應(yīng)用[J];運(yùn)籌與管理;2014年06期

3 張秀秀;王慧;田雙雙;喬楠;閆麗娜;王彤;;高維數(shù)據(jù)回歸分析中基于LASSO的自變量選擇[J];中國(guó)衛(wèi)生統(tǒng)計(jì);2013年06期

4 劉揚(yáng);劉偉江;;特征選擇方法在信用評(píng)估指標(biāo)選取中的應(yīng)用[J];數(shù)理統(tǒng)計(jì)與管理;2006年06期

5 石慶焱;一個(gè)基于神經(jīng)網(wǎng)絡(luò)——Logistic回歸的混合兩階段個(gè)人信用評(píng)分模型研究[J];統(tǒng)計(jì)研究;2005年05期

相關(guān)博士學(xué)位論文 前4條

1 向暉;個(gè)人信用評(píng)分組合模型研究與應(yīng)用[D];湖南大學(xué);2011年

2 陳為民;基于支持向量機(jī)的信用卡信用風(fēng)險(xiǎn)管理模型與技術(shù)研究[D];湖南大學(xué);2009年

3 孫德山;支持向量機(jī)分類與回歸方法研究[D];中南大學(xué);2004年

4 吳濤;核函數(shù)的性質(zhì)、方法及其在障礙檢測(cè)中的應(yīng)用[D];中國(guó)人民解放軍國(guó)防科學(xué)技術(shù)大學(xué);2003年

相關(guān)碩士學(xué)位論文 前2條

1 樊鵬;基于優(yōu)化的xgboost-LMT模型的供應(yīng)商信用評(píng)價(jià)研究[D];廣東工業(yè)大學(xué);2016年

2 王冠;基于用戶互聯(lián)網(wǎng)行為數(shù)據(jù)的個(gè)人征信評(píng)估體系建設(shè)分析[D];北京交通大學(xué);2015年

本文編號(hào)：2720912