不同电信欠费率下信用评分问题

为提高信用评分的公平性和合理性,研究了电信领域不同欠费率下的初始信用评分问题. 在一种电信客户初始信用评分模型的基础上,分别采用遗传算法和蚁群算法,对不同欠费率的客户群体进行数据挖掘,通过评价函数得到最优信用权重分配方案,并对实验结果进行了分析和比较. 最后,对原信用评分模型进行了改进,解决了原模型在高欠费率情况下算法解不理想问题. 实验结果表明,在采用评分模型进行信用评分时,应针对不同的欠费率群体,可选择不同的信用评分算法. 此外,在建立信用评分模型时,需要考虑不同欠费率的情况.     

基于遗传算法的电信客户初始信用度分配算法

根据电信背景的实际项目经验,提出了初始信用度的概念及其计算公式,同时给出了一种基于遗传算法的电信客户初始信用度分配算法.该算法能合理地分配客户初始信用度,并通过实验验证了该算法的有效性.     

一种基于Logistic和RONSA的信用评分模型

为了探讨否定选择算法用于信用评分的可行性及其效果,提出了一种R集优化否定选择算法(R-Optimized Negative Selection Algorithm,简称RONSA)作为信用评分模型的分类器算法,并运用Logistic回归分析提取影响客户信用的分类指标作为人工免疫机制的基因座,即在Logistic回归分析的基础上构建一个基于RONSA的信用评分模型：LR & RONSA Based模型。最后通过样本数据和ROC曲线对该信用评分模型与LR模型进行实证对比检验,结果表明,LR & RONSA Based模型具有更高的信用评分水平,可作为较理想的信用风险预测工具。     

建立在粗糙集和模糊综合评判模型下的客户信用评价

客户信用关系是企业客户关系管理的重要内容。本文提出了结合粗糙集及模糊综合评判的模型对客户进行信用评价的方法。针对客户信用评价指标体系,借助粗糙集理论,进行指标属性约简、确定权重,并利用模糊综合评判对客户进行评价。该方法在一定程度上克服了传统权重确定的主观性,提高了评估的效率和准确性。最后,引入一个算例阐明了该模型的合理性。     

基于ID3算法的道路客运行业信用评级模型

当前信用评级普遍采用的传统方法如专家法、信用评分法中,属性的权重大小受评价者主观影响大,可能造成评价结果偏差失准,并增加评价的时间消耗。本文将决策树模型引入信用评级体系中,在道路客运行业信用评级体系中建立一种新的评价方法。结果表明,采用ID3算法的决策树方法通过定量计算训练集样本中各属性互信息的大小,可以迅速地得到一棵决策树,从而通过对训练样本的统计计算避免了主观判断属性权重带来的弊端。当该决策树经过全面、良好的测试和调整后,可足够健壮,能较好地运用于信用评价。     

基于属性偏好自学习的推荐方法

推荐系统从海量数据中挖掘出有用信息来学习用户偏好．目前主流研究的推荐算法是在考虑 评分数据和社交数据的基础上执行协同过滤算法．协同过滤方法包括传统的用户、商品协同过滤算 法和经典的矩阵分解方法．用户、商品协同过滤算法具有可解释性但训练速度慢,矩阵分解模型虽 然训练速度快但缺乏解释性．此外,评分数据和社交数据在获取难度上高于属性信息．针对这些问 题,提出一种基于属性偏好的自学习算法．该算法在评分数据和属性信息的基础上,首先利用用户 对属性的初始偏好程度与属性对商品的评分构建预测评分模型,通过预测评分和实际评分的平方 差及正规化项构造损失函数,使用梯度递减方法对损失函数中预测评分模型的属性偏好程度进行 迭代训练,最后使用训练后的属性偏好程度和属性值评分来预测用户评分．实验在两个经典数据集 上证明了该模型运行时间较快,且在评分数据稀疏的情况优于传统的协同过滤方法和基本矩阵分 解模型．     

个人信用评估组合模型选择方案研究

为准确评估借款人的信用和合理控制商业银行风险,首先对个人信用评分模型的常用模型进行了总结和归纳,然后通过分析比较说明了不同模型的准确性.在"坏样本"的区分与结果判断上采用加权方式,提出修正算法来确定信用评分模型中的指标权重,满足不同银行数据多样化的需要,提高评分模型精度.     

基于特征选择和SVM的电信客户离网预测

针对数据挖掘算法在预测电信客户离网时存在的过拟合问题,提出一种基于特征选择和支持向量机的电信客户离网预测算法。将原始的电信数据分别进行数据缺失值填充、数据冗余识别、数据结构化和数据归一化等预处理,得到利于分析处理的规范性数据;利用信息增益完成特征选择,提取影响客户离网的主要因素,降低数据维度,防止出现过拟合现象。将经过特征选择后的数据作为支持向量机算法的输入数据对客户是否离网进行分类,预测客户是否存在离网行为。测试结果表明,该算法预测离网客户的正确率为86%,提升了离网客户预测准确率。     

改进的K—Means聚类算法在保险客户信用分析中的算法实现

针对保险业对客户信息的分析中缺乏考虑客户信用分析的问题,根据聚类分析算法理论和保险公司客户数据库特点,进一步对K-means聚类算法在大样本环境下初始聚类中心的选取提出有效改进,同时选取一家财产保险公司的客户信用数据,来探讨聚类算法在保险客户信用分析中的应用．     

基于信息熵的异常检测算法

针对K-means异常检测算法检测性能低的问题,提出了一种结合信息熵与改进K-means算法的异常检测算法。该算法均匀地选出密度大于数据集平均密度的数据对象作为初始聚类中心,避免了初始中心的随机选择。在此基础上,引入了信息熵确定属性权重的方法来计算簇中数据点与该簇聚类中心的加权欧氏距离,通过对比簇中数据点的加权欧氏距离与该簇中所有数据点的平均加权欧氏距离来进行异常检测。实验表明,改进算法具有更高的检测率和更低的误检率,应用于电力负荷数据时检测率达到了90. 5%,能够有效地检测出异常的负荷数据。     

学年制和学分制两种数据管理模型的比较

从数据元素的属性上分析，学年制的数据属性比较单一，学分制的数据属性具有多样性。数据属性的多样性，引发了信息传递形式的复杂化，也派生出一些数据概念。这一特点意味着学分制教务管理工作和学分制教务管理信息系统的设计比学年制复杂得多，同时也意味着在学分制下开发的教务管理信息系统也适合学年制的教学管理模式。将学年制和学分制数据流程图进行对比分析，学年制和学分制具有基本相同的数据构成和数据流向。这一特点意味着在学年制下开发的数据库系统经过适当的扩充后可延续到学分制。     

个人信用评分模型的发展及优化算法分析

为有效识别与计量个人信用风险,规避金融危机对商业银行的不利影响,保持我国信贷和金融市场的正常运转,对个人信用评分的主要模型及其发展进行了归纳,阐明个人信用评分研究中仍存在信用样本的有效性及完整性问题、信用指标体系的合理性问题以及模型的选择及适用性问题.鉴于此,基于相关性分析实现异常样本的预警,基于蒙特卡洛算法对样本进行补足;结合统计学模型及人工智能模型,采用步长遍历算法对指标体系进行优化及显著性加权;以精确度、稳健性、第1误判率、第2误判率及差异性作为选择指标,实现评分模型的选择与输出.分析表明:通过上述优化算法,将解决个人信用评分中存在的问题,提高商业银行的风险控制能力.     

成品油企业客户满意度战略与信用政策设计

信用政策设计得是否合适对企业的客户关系管理有着十分重要的影响。再此以成品油企业为例详细地讨论了信用政策的客户优化原理，并对当前成品油企业的信用政策设计的优秀实践进行了总结，归纳出客户风险分类—建立责任机制—加强流程控制—采取增加客户满意措施的体系，提炼了诸多企业的宝贵实践经验。最后，总结了不同客户生命周期阶段的信用政策设计的基本规律。     

基于数据挖掘的信用分类技术

以提高信用等级评价的质量为目的，介绍了数据挖掘技术的基本过程.以企业贷款的信用分类为研究背景，具体研究了业务理解、数据理解、数据准备、建模、评估和发布的实现环节.在建模过程中，采用决策树为分析模型，对经典的C4.5算法进行了改进.将改进算法运用在企业贷款的信用分类中，并将其效果与经典的C4.5算法的结果进行比较，结果表明该算法对于企业信用分类这样的复杂系统，在准确度与决策树结构上具有一定程度上的改善，能够提高信用等级评价质量.     

近似支持向量机对个人住房贷款信用风险预测

为了降低银行的放贷风险,在构建商业银行个人住房贷款信用风险评价指标基础上,采用机器学习原理中的近似支持向量机（Proximal Support Vector Machines,PSVM）模型对某商业银行西安市场的个人住房贷款借款人数据进行实证分析,研究中个人住房贷款借款人的各项指标作为属性矩阵,借款人是否违约作为判别矩阵,利用260个样本的训练集获得最优超平面,再对40个样本的测试集进行预测,结果表明PSVM模型在预测商业银行个人住房贷款信用风险时的正确率达到了87．5％．     

CLIQUE算法在信用卡审批模型中的应用研究

聚类分析是数据挖掘的最主要功能之一,其中CLIQUE算法是综合了基于密度和基于网格的聚类方法,对于大型数据库中的高维数据的聚类非常有效,解决了现有多种聚类算法只能处理低维空间数据的缺陷.通过分析研究聚类中的CLIQUE算法,将其应用于信用卡的审批模型中,能进行高效、智能的判断,为发卡银行提供有效的决策支持.