【摘要】：近些年,農(nóng)戶生產(chǎn)經(jīng)營活動不斷發(fā)生變化,越來越多的農(nóng)戶逐漸由原始的自給自足的生產(chǎn)經(jīng)營模式轉(zhuǎn)變成了承包大面積土地的專業(yè)種植養(yǎng)殖戶或家庭加工小作坊。為了解決這些農(nóng)戶的資金困難,很多設(shè)立在農(nóng)村的商業(yè)銀行的小支行也逐漸由辦理單一的存取款業(yè)務(wù),發(fā)展到目前提供形式多樣的貸款理財(cái)產(chǎn)品業(yè)務(wù),“興農(nóng)卡”作為一種類似于信用卡的小額自助類貸款產(chǎn)品,主要服務(wù)于廣大農(nóng)戶,為農(nóng)戶或農(nóng)村集體種植,養(yǎng)殖等農(nóng)村作業(yè)經(jīng)營活動提供有效的資金保障。本文在分析研究“興農(nóng)卡”農(nóng)戶的歷史存款統(tǒng)計(jì)信息,交易統(tǒng)計(jì)信息以及相關(guān)征信信息的基礎(chǔ)上,構(gòu)建基于隨機(jī)森林的“興農(nóng)卡”農(nóng)戶用信預(yù)測模型,然后對“興農(nóng)卡”農(nóng)戶的特征數(shù)據(jù)通過提取,清洗及特征選擇后,對農(nóng)戶用信預(yù)測模型進(jìn)行驗(yàn)證分析,結(jié)果表明,在保證準(zhǔn)確率的前提下,基于隨機(jī)森林的“興農(nóng)卡”農(nóng)戶用信預(yù)測模型預(yù)測農(nóng)戶用信行為的時(shí)間效率最高,最后應(yīng)用局部可解釋性模型LIME對模型的預(yù)測結(jié)果從業(yè)務(wù)邏輯上作可視化解釋,增強(qiáng)機(jī)器學(xué)習(xí)模型的可信度,給該銀行的其他業(yè)務(wù)產(chǎn)品乃至銀行業(yè)相關(guān)產(chǎn)品的農(nóng)戶用信行為預(yù)測提供借鑒,提高銀行的收益,在銀行農(nóng)戶關(guān)系維護(hù)與營銷方面都具有重要意義。
【學(xué)位授予單位】：中南林業(yè)科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：F832.43
【圖文】：

ｎ表示類別數(shù)量，ｐ（ｘｉ）為第ｉ個(gè)類別的樣本所占集合ｘ的比例，本文逡逑中，ｘ即為所有農(nóng)戶信息，ｉ為用信或不用信兩類。逡逑如圖２．１所示，熵把特征概率轉(zhuǎn)換成了特征對結(jié)果的說明程度，例如，一位逡逑“興農(nóng)卡”農(nóng)戶是否會用信，當(dāng)ｐ＝０．５表明這個(gè)特征針對是否會用信的概率是逡逑０．５，也就相當(dāng)于這個(gè)特征對是否會用信的度量相當(dāng)于投硬幣，正反概率都是０．５，逡逑說明程度很差，此時(shí)熵Ｈ0ｃ）為１，達(dá)到最大，所以說熵Ｈ00的值越小，ｘ的純度逡逑越高。逡逑９逡逑

當(dāng)問題所屬的范疇是分類問題時(shí)，依賴單一的決策樹組合投票，進(jìn)行篩選，最終逡逑獲得最具有歡迎度的分類，利用這種算法能夠大大提高預(yù)測模型的精度，對于預(yù)逡逑測新數(shù)據(jù)有著十分重要的意義，如圖２．２所示為隨機(jī)森林模型。逡逑Ｆｅａｔｕｒｅ（Ｊ）邐Ｆｅａｔｕｒｅ（ｆ）逡逑Ｐ＾（ｃ＼ｆ）邐Ｖ邐Ｐ？（ｃ＼ｆ）逡逑＾邐逡逑ＰＷ）邋＝邋＾邋Ｐｎ（ｃ＼ｆ）逡逑ｎ＝ｌ逡逑%煎義賢跡玻菜婊幟Ｐ灣義希疲椋玨澹玻插澹裕瑁邋澹停錚洌澹戾澹錚駑澹遙幔睿洌錚礤澹疲錚潁澹螅翦義細(xì)ㄒ桓鲅盜芳疦B二：＾：＾“＾＾其響應(yīng)變量為丫二力七廣＾化設(shè)反復(fù)抽逡逑取的袋裝次數(shù)為Ｂ，隨機(jī)篩選數(shù)據(jù)作為訓(xùn)練集樣本的代替樣本數(shù)據(jù)集合，對于ｂ邋＝逡逑１，…，Ｂ。逡逑（１）

圖２．４前饋神經(jīng)網(wǎng)絡(luò)逡逑Ｆｉｇ邋２．４邋Ｆｅｅｄｆｏｒｗａｒｄ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ逡逑圖２．４所示，該圖為神經(jīng)網(wǎng)絡(luò)的經(jīng)典結(jié)構(gòu)圖，該圖由不同的層組成，它有一逡逑個(gè)輸入層，任何數(shù)量的隱藏層和輸出層，從理論的角度來看，每一層神經(jīng)元的數(shù)逡逑量是不受約束的，但是由于受到樣本數(shù)據(jù)和任務(wù)的約束限制，輸入和輸出節(jié)點(diǎn)的逡逑數(shù)量是有一定約束條件的，因此，其實(shí)只有隱藏層的節(jié)點(diǎn)數(shù)不受限制，節(jié)點(diǎn)數(shù)量逡逑可以取任意常數(shù)值并且具有多種類型的圖層，神經(jīng)元的輸入是表示要解決的任務(wù)逡逑的輸入值和分配給該連接的權(quán)重，在不斷修正權(quán)重值的過程中，神經(jīng)網(wǎng)絡(luò)最終能逡逑夠?qū)崿F(xiàn)最優(yōu)的預(yù)測效果。逡逑（２）反饋型網(wǎng)絡(luò)［４３，（ＦｅｅｄｂａｃｋＮｅｔｗｏｒｋ），反饋回路存在于該網(wǎng)絡(luò)中是可逡逑接許的，這種網(wǎng)絡(luò)的使用條件主要是用于內(nèi)容可尋址的存儲器。逡逑＾邐誤差逆向傳播邐逡逑Ｉｎｐｕｔ邋Ｌａｙｅｒ邐Ｈｉｄｄｅｎ邋Ｌａｙｅｒ邐Ｏｕｔｐｕｔ邋Ｌａｙｅｒ逡逑邐信息正向傳播邐？逡逑圖２．５反饋型神經(jīng)網(wǎng)絡(luò)逡逑Ｆｉｇ邋２．５邋Ｆｅｅｄｂａｃｋ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ逡逑如圖２．５所示

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 郭麗麗;丁世飛;;深度學(xué)習(xí)研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2015年05期

2 董師師;黃哲學(xué);;隨機(jī)森林理論淺析[J];集成技術(shù);2013年01期

3 姚登舉;楊靜;詹曉娟;;基于隨機(jī)森林的特征選擇算法[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2014年01期

相關(guān)博士學(xué)位論文 前2條

1 潘傳快;農(nóng)業(yè)經(jīng)濟(jì)調(diào)查數(shù)據(jù)的缺失值處理：模型、方法及應(yīng)用[D];華中農(nóng)業(yè)大學(xué);2017年

2 張永鋒;個(gè)性化推薦的可解釋性研究[D];清華大學(xué);2016年

相關(guān)碩士學(xué)位論文 前4條

1 宋鑫;隨機(jī)森林優(yōu)化算法在農(nóng)戶信用風(fēng)險(xiǎn)評估中的應(yīng)用[D];云南師范大學(xué);2018年

2 邱偉;基于隨機(jī)森林的電信客戶流失預(yù)測應(yīng)用研究[D];華南理工大學(xué);2018年

3 陽志梁;基于新型信任模型的自適應(yīng)推薦方法研究[D];上海師范大學(xué);2018年

4 汪靜波;Logistic回歸模型中缺失數(shù)據(jù)的處理[D];南京大學(xué);2015年

本文編號：2762212