1、隨著商業(yè)銀行的快速發(fā)展,個(gè)人信用風(fēng)險(xiǎn)評(píng)估是商業(yè)銀行至關(guān)重要的領(lǐng)域。對(duì)商業(yè)銀行來說,區(qū)分出好的借貸者和壞的借貸者是非常重要的。已初步開發(fā)出適合中國市場(chǎng)環(huán)境的個(gè)人信用評(píng)估體系,對(duì)個(gè)人信用評(píng)估模型建立的研究也取得了很大的進(jìn)步。
　　 Vapnik等學(xué)者首先提出了實(shí)現(xiàn)統(tǒng)計(jì)學(xué)習(xí)理論中結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的實(shí)用算法-支持向量機(jī)。支持向量機(jī)(SVM)具有結(jié)構(gòu)簡單、優(yōu)化性好和好的泛化能力。在最近的機(jī)器學(xué)習(xí)研究中,核的學(xué)習(xí)得到了人們的極大關(guān)注。眾所

2、周知,多核學(xué)習(xí)(MKL)是學(xué)習(xí)核函數(shù)的常用方法之一。以前的研究已證實(shí):多核學(xué)習(xí)通常能使核函數(shù)進(jìn)行合適的組合,從而能提高應(yīng)用的性能。主成分分析法用于研究如何將多個(gè)變量指標(biāo)間的問題化為較少的幾個(gè)新指標(biāo)問題。這些新的指標(biāo)彼此互不相關(guān),又能綜合反映原來多個(gè)指標(biāo)的信息,是原來多個(gè)指標(biāo)的線性組合。
　　 支持向量機(jī)與多核學(xué)習(xí)已經(jīng)廣泛應(yīng)用于分類問題中。然而,如果訓(xùn)練數(shù)據(jù)有太多的噪音點(diǎn),支持向量機(jī)和多核學(xué)習(xí)的泛化能力將會(huì)受到削弱。因?yàn)檫@會(huì)帶來收

3、斂速度慢和低的判別精確率。在本論文中,提出了基于主成分分析的支持向量機(jī)和多核學(xué)習(xí)的分類器模型,即用主成分分析法降低數(shù)組的維數(shù),然后用主成分去替代原數(shù)組,這樣,運(yùn)算速度和分類精確度將會(huì)得到改善。
　　 本文最后,PCA-SVM方法和單個(gè)SVM方法應(yīng)用于3個(gè)個(gè)人信用風(fēng)險(xiǎn)評(píng)估數(shù)據(jù):中國個(gè)人信用數(shù)據(jù)、澳大利亞個(gè)人信用數(shù)據(jù)和德國個(gè)人信用數(shù)據(jù),并且就運(yùn)算時(shí)間和判別精確度進(jìn)行了比較。結(jié)果是PCA-SVM方法適用于大規(guī)模數(shù)組,既能使其判別性能接