在當(dāng)今的大數(shù)據(jù)時代下,半監(jiān)督學(xué)習(xí)方法作為利用無標(biāo)記數(shù)據(jù)進行學(xué)習(xí)的主流技術(shù),在許多應(yīng)用中發(fā)揮了重要的作用。然而,傳統(tǒng)半監(jiān)督學(xué)習(xí)方法的理論研究和實證分析大多是在隨機缺失假設(shè)下進行的,即要求有標(biāo)記數(shù)據(jù)和無標(biāo)記數(shù)據(jù)來自于同一分布,但這在現(xiàn)實生活中是很難滿足的。例如在商業(yè)銀行發(fā)放房屋信用貸款問題中,在不同的地區(qū),文化和風(fēng)俗習(xí)慣的不同很有可能使個人的房屋信貸情況有很大的差異;再比如,不同時期人們的信貸情況也有可能隨著國家政策或個人家庭收入情況的改變而表現(xiàn)出差異。在這種情況下,若再使用傳統(tǒng)的半監(jiān)督學(xué)習(xí)方法進行訓(xùn)練,反而可能造成很大誤差。本文首先對傳統(tǒng)的半監(jiān)督學(xué)習(xí)方法進行了歸納概括,分析了各個方法存在的優(yōu)勢、不足以及各自適用的場合,進而針對上述不足,提出了一種新的半監(jiān)督學(xué)習(xí)方法——基于廣義可加模型和Group Lasso懲罰的半監(jiān)督學(xué)習(xí)方法。和傳統(tǒng)半監(jiān)督學(xué)習(xí)方法一樣,該方法將同時利用有標(biāo)記樣本和無標(biāo)記樣本,并對其施加Group Lasso懲罰,最后用塊坐標(biāo)下降算法同時實現(xiàn)參數(shù)的估計和變量的選擇。本文對提出的新方法進行了模型說明和詳細(xì)的算法推導(dǎo),在此基礎(chǔ)上,就生活中數(shù)據(jù)間可能存在的多種關(guān)系,將我們的半監(jiān)... 

【文章來源】：廈門大學(xué)福建省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 半監(jiān)督學(xué)習(xí)方法
        1.2.2 變量選擇
        1.2.3 信用風(fēng)險評估和廣義可加模型
    1.3 研究內(nèi)容與框架
    1.4 文章的創(chuàng)新點
第2章 傳統(tǒng)半監(jiān)督學(xué)習(xí)方法的介紹
    2.1 有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)
        2.1.1 有監(jiān)督學(xué)習(xí)方法
        2.1.2 無監(jiān)督學(xué)習(xí)方法
    2.2 半監(jiān)督學(xué)習(xí)的模型設(shè)定與基本假設(shè)
        2.2.1 模型設(shè)定
        2.2.2 基本假設(shè)
    2.3 幾種經(jīng)典的半監(jiān)督學(xué)習(xí)方法
        2.3.1 生成模型
        2.3.2 協(xié)同訓(xùn)練算法
        2.3.3 基于圖的半監(jiān)督學(xué)習(xí)方法
        2.3.4 半監(jiān)督支持向量機
    2.4 本章小結(jié)
第3章 基于半監(jiān)督學(xué)習(xí)的變量選擇與預(yù)測
    3.1 模型的理論基礎(chǔ)
        3.1.1 廣義半?yún)?shù)可加模型
        3.1.2 Group Lasso
        3.1.3 塊坐標(biāo)下降算法
    3.2 模型設(shè)定
    3.3 模型的求解
        3.3.1 模型的算法
        3.3.2 調(diào)整參數(shù)的選擇
    3.4 模擬分析
        3.4.1 模擬設(shè)定
        3.4.2 模擬一(P=10)
        3.4.3 模擬二(P=20)
        3.4.4 綜合比較
    3.5 本章小結(jié)
第4章 基于半監(jiān)督學(xué)習(xí)的房屋信用貸款違約預(yù)測
    4.1 研究背景
    4.2 房屋信用貸款違約風(fēng)險評估的發(fā)展和研究現(xiàn)狀
    4.3 數(shù)據(jù)說明和預(yù)處理
    4.4 房屋信用貸款違約風(fēng)險預(yù)測和變量選擇結(jié)果
        4.4.1 模型的變量選擇能力及其解釋性
        4.4.2 模型的預(yù)測能力
        4.4.3 模型的穩(wěn)健性
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 不足及展望
附錄 表格
參考文獻
致謝


【參考文獻】：
期刊論文
[1]運用Logistic回歸原理構(gòu)建個人住房貸款風(fēng)險預(yù)警模型[J]. 李妍.  華北金融. 2017(01)
[2]個人信用評分的Adaptive Lasso-Logistic回歸分析[J]. 張婷婷,景英川.  數(shù)學(xué)的實踐與認(rèn)識. 2016(18)
[3]基于Group-LASSO方法的廣義半?yún)?shù)可加信用評分模型應(yīng)用研究[J]. 張娟,張貝貝.  數(shù)理統(tǒng)計與管理. 2016(03)
[4]基于Logistic模型的商業(yè)銀行個人消費信貸風(fēng)險評估研究[J]. 張國政,陳維煌,劉呈輝.  金融理論與實踐. 2015(03)
[5]Logistic回歸的雙層變量選擇研究[J]. 王小燕,方匡南,謝邦昌.  統(tǒng)計研究. 2014(09)
[6]基于Lasso-logistic模型的個人信用風(fēng)險預(yù)警方法[J]. 方匡南,章貴軍,張惠穎.  數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究. 2014(02)
[7]基于Logistic模型的我國上市公司信用風(fēng)險預(yù)警研究[J]. 鄧晶,秦濤,黃珊.  金融理論與實踐. 2013(02)
[8]隨機效應(yīng)Logit計量模型的自適應(yīng)Lasso變量選擇方法研究——基于Gauss-Hermite積分的EM算法[J]. 孫燕.  數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究. 2012(12)
[9]上市公司信用風(fēng)險分析模型中的變量選擇[J]. 胡心瀚,葉五一,繆柏其.  數(shù)理統(tǒng)計與管理. 2012(06)
[10]信貸信息不對稱下的信用卡信用風(fēng)險研究[J]. 方匡南,吳見彬,朱建平,謝邦昌.  經(jīng)濟研究. 2010(S1)

博士論文
[1]個人住房抵押貸款違約風(fēng)險影響因素實證研究[D]. 王福林.浙江大學(xué) 2004

碩士論文
[1]基于決策樹算法的房貸信用風(fēng)險評估研究[D]. 張紅梅.哈爾濱理工大學(xué) 2012
[2]住房抵押貸款違約影響因素研究[D]. 陳余化.浙江大學(xué) 2007



本文編號：3186256