針對線性辨別分析（linear discriminant analysis,LDA）在處理信用評分問題中存在著準確率不高的缺陷,對原有的LDA方法進行了改進,新增了錯分距離標量和正分距離標量,并在此基礎(chǔ)上構(gòu)建了多目標信用評分模型,該模型以錯分距離之和最小和正分距離之和最大為優(yōu)化目標;然后提出了對應的基于子代擇優(yōu)的協(xié)同進化多目標微粒群算法;最后應用現(xiàn)實世界中的數(shù)據(jù)集,將該方法與邏輯回歸、神經(jīng)網(wǎng)絡(luò)、序列最小優(yōu)化和決策樹等分類算法進行了對比,實驗結(jié)果表明該方法具有分類準確率高、易于理解和實現(xiàn)的特點。 

【文章頁數(shù)】：3 頁

【參考文獻】：
期刊論文
[1]基于改進的SVM學習算法及其在信用評分中的應用[J]. 陸愛國,王玨,劉紅衛(wèi).  系統(tǒng)工程理論與實踐. 2012(03)
[2]多子群協(xié)同進化的多目標微粒群優(yōu)化算法[J]. 彭虎,黃偉,鄧長壽.  計算機應用. 2012(02)
[3]LDA算法及其在人臉識別中的應用[J]. 謝永林.  計算機工程與應用. 2010(19)



本文編號：3725579