本文選題：信用評(píng)估 + 類別分布不平衡��； 參考：《軟科學(xué)》2017年07期

【摘要】：將半監(jiān)督學(xué)習(xí)技術(shù)與多分類器集成模型Bagging相結(jié)合,構(gòu)建類別分布不平衡環(huán)境下基于Bagging的半監(jiān)督集成模型(SSEBI),綜合利用有、無(wú)類別標(biāo)簽的樣本來(lái)提高模型的性能。該模型主要包括三個(gè)階段:(1)從無(wú)類別標(biāo)簽數(shù)據(jù)集中選擇性標(biāo)記一部分樣本并訓(xùn)練若干個(gè)基本分類器;(2)使用訓(xùn)練好的基本分類器對(duì)測(cè)試集樣本進(jìn)行分類;(3)對(duì)分類結(jié)果進(jìn)行集成得到最終分類結(jié)果。在五個(gè)客戶信用評(píng)估數(shù)據(jù)集上進(jìn)行實(shí)證分析,結(jié)果表明本研究提出的SSEBI模型的有效性。
[Abstract]:The semi-supervised learning technology is combined with the multi-classifier integration model (Bagging) to construct a semi-supervised integration model based on Bagging in an unbalanced class distribution environment. The model can improve the performance of the model by synthetically using samples with or without class labels. The model consists of three stages: 1) selective marking of some samples from unclassified label data sets and training of several basic classifiers, using trained basic classifiers to classify test set samples The final classification result was obtained by fruit integration. An empirical analysis is carried out on five customer credit evaluation data sets. The results show that the proposed SSEBI model is effective.
【作者單位】： 四川大學(xué)公共管理學(xué)院;四川大學(xué)商學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(71471124) 四川大學(xué)哲學(xué)社會(huì)科學(xué)青年學(xué)術(shù)人才基金項(xiàng)目(skqx201607);四川大學(xué)一流大學(xué)建設(shè)人才人物培育工程專項(xiàng)(skzx2016-YCYW14);四川大學(xué)中央高校基本科研業(yè)務(wù)費(fèi)研究專項(xiàng)(skzx2015-sb64)
【分類號(hào)】：F274

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 葉立斌;現(xiàn)行信用評(píng)估存在的幾個(gè)主要問(wèn)題[J];中國(guó)城市金融;1989年06期

2 郭N，

本文編號(hào)：1822545