数据挖掘技术在个人信用评估模型中的应用

为了能够及时、恰当地进行个人信用评估分析,加快信用卡发卡机构的决策速度,介绍了数据挖掘技术在信用卡公司对用户评估中的应用,对比分析了数理统计模型、分类-聚类个人信用评估模型等几种个人信用评估模型建模方法的优缺点。建立了一种决策树-神经网络个人信用评估模型,针对该模型提出了一种近邻聚类算法。该算法不需要事先给定聚类的类别数,可以进行无监督学习。通过对比分析可知,该算法在个人信用评估应用中可以得到较理想的结果。     

数据挖掘技术在个人信用评估模型中的应用

为了能够及时、恰当地进行个人信用评估分析，加快信用卡发卡机构的决策速度，介绍了数据挖掘技术在信用卡公司对用户评估中的应用，对比分析了数理统计模型、分类-聚类个人信用评估模型等几种个人信用评估模型建模方法的优缺点。建立了一种决策树-神经网络个人信用评估模型，针对该模型提出了一种近邻聚类算法。该算法不需要事先给定聚类的类别数，可以进行无监督学习。通过对比分析可知，该算法在个人信用评估应用中可以得到较理想的结果。     

支持向量机在信用卡信用评估的应用

信用卡业务现在是银行很重要的资产业务,构建一个适用的个人信用评估模型十分重要。基于近年来在智能学习系统领域发展起来的新理论,引入小样本学习的通用学习算法——支持向量机(SVM),建立了个人信用评估模型,通过与神经网络模型的比较,证实了该方法用于信用卡个人信用评估的有效性及优越性。     

支持向量机在信用卡信用评估的应用

信用卡业务现在是银行很重要的资产业务,构建一个适用的个人信用评估模型十分重要。基于近年来在智能学习系统领域发展起来的新理论．引入小样本学习的通用学习算法——支持向量机（SVM）,建立了个人信用评估模型,通过与神经网络模型的比较．证实了该方法用于信用卡个人信用评估的有效性及优越性。     

DM技术在信用卡管理中的应用

信用卡公司是一个服务性的金融企业,如何提高在服务过程中的服务质量,改进服务方法,使公司的决策更为准确及时,是信用卡公司追求的一个目标。文章在介绍了信用卡公司对数据挖掘的用户需求之后,对该数据挖掘系统进行了分析。描述了该系统中对数据挖掘的应用方法。最后给出了该系统实施的过程。     

应用多层神经网络模型的信用卡欺诈算法

信用卡欺诈问题是当前金融行业面临的一个重大问题。针对信用卡刷卡数据不均衡的特点,本文采用基于神经网络的信用卡欺诈检测方法,根据客户的行为数据训练神经网络,开发了一个基于多层神经网络的欺诈检测模型系统。实验证明,该算法对于信用卡欺诈分类检测问题是有效可行的。     

基于径向基神经网络的新型协同过滤推荐算法

针对传统协同过滤推荐算法对目标用户的评分预测过于依赖邻近用户,而忽略目标用户自身评分特性的问题,提出一种改进的基于径向基RBF(Radial Basis Function)神经网络的预测方法。该方法首先使用RBF神经网络对邻近用户的项目评分数据进行模型训练,得到基于该用户的网络评分模型;然后结合目标用户自身的评分进行计算,得到一个基于该模型的评分;最后结合所有邻近用户的模型评分预测出目标用户对目标项目的最终评分。改进后的算法既借鉴了用户之间的相似性,也考虑了目标用户自身的评分特性。实验结果表明,改进后的协同过滤推荐算法可以获得比传统算法更好的推荐效果。     

基于BP算法的信用评估模型的应用研究

本文分析了银行信用评估及其评估模型,介绍了常规BP神经网络,指出它在银行信用评估中的优势:并且设计实现了一个基于改进的BP神经网络的银行个人信用评估模型.基于此模型对已有个人信用数据,尤其是国内数据进行分析表明此模型有较强的实用性.     

基于模糊模式识别的超圆神经网络模型

模糊模式识别是模糊集理论研究中的重要方向,神经网络是数据挖掘中的一种常用方法。超圆神经网络的学习时间和网络模型理解性都优于BP神经网络,它能以较少的数据量蕴涵同样的信息量。文章依据超圆神经网络模型思想,提出了一种新的基于模糊模式识别的神经网络模型算法,该算法继承了超圆神经网络的优点,能有效地对样本进行学习。     

一种基于QoS参数映射的网格资源筛选方法

服务质量(QoS)和资源管理是服务网格中的两个研究焦点.研究如何建立一种基于应用QoS需求的网格资源筛选方法,在扩充已有调度模型的基础上利用模糊神经网络实现了不同层次QoS参数之间的映射,利用映射结果提出一种资源筛选算法.该方法能实现区分确保型服务(DG服务),能为网格应用寻找一个能满足需求的匹配.与所有提供区分确保型服务的网格系统一样,文中模型能显著提高网格系统的两个主要评价指标:资源利用率和服务拒绝率,同时只有较低的系统消耗.     

基于径向基函数神经网络的信用评分模型研究

对信用风险、信用评分进行了分析，在综合分析国内外企业信用评分指标体系的基础上，结合我国企业信用评分的特点，建立了适合我国企业信用评价的指标体系。结合国内外相关研究的现状与进展，及信用评分本身所具有的特点，建立了基于径向基函数神经网络的信用评分模型，利用现有数据分别进行判别和分析，研究其计算结果与实际情况的差距，然后使用改进的RBFNN学习算法，对径向基函数神经网络进行了学习训练，得到了令人满意的评价结果。利用该模型建立的评分系统具有进一步研究和推广应用的价值。     

基于径向基函数神经网络的信用评分模型研究

对信用风险、信用评分进行了分析,在综合分析国内外企业信用评分指标体系的基础上,结合我国企业信用评分的特点,建立了适合我国企业信用评价的指标体系。结合国内外相关研究的现状与进展,及信用评分本身所具有的特点,建立了基于径向基函数神经网络的信用评分模型,利用现有数据分别进行判别和分析,研究其计算结果与实际情况的差距,然后使用改进的RBFNN学习算法,对径向基函数神经网络进行了学习训练,得到了令人满意的评价结果。利用该模型建立的评分系统具有进一步研究和推广应用的价值。     

Hybrid mining approach in the design of credit scoring models

Unrepresentative data samples are likely to reduce the utility of data classifiers in practical application. This study presents a hybrid mining approach in the design of an effective credit scoring model, based on clustering and neural network techniques. We used clustering techniques to preprocess the input samples with the objective of indicating unrepresentative samples into isolated and inconsistent clusters, and used neural networks to construct the credit scoring model. The clustering stage involved a class-wise classification process. A self-organizing map clustering algorithm was used to automatically determine the number of clusters and the starting points of each cluster. Then, the K-means clustering algorithm was used to generate clusters of samples belonging to new classes and eliminate the unrepresentative samples from each class. In the neural network stage, samples with new class labels were used in the design of the credit scoring model. The proposed method demonstrates by two real world credit data sets that the hybrid mining approach can be used to build effective credit scoring models.     

Credit score classification using spiking extreme learning machine

Credit score classification is a prominent research problem in the banking or financial industry, and its predictive performance is responsible for the profitability of financial industry. This paper addresses how Spiking Extreme Learning Machine (SELM) can be effectively used for credit score classification. A novel spike-generating function is proposed in Leaky Nonlinear Integrate and Fire Model (LNIF). Its interspike period is computed and utilized in the extreme learning machine (ELM) for credit score classification. The proposed model is named as SELM and is validated on five real-world credit scoring datasets namely: Australian, German-categorical, German-numerical, Japanese, and Bankruptcy. Further, results obtained by SELM are compared with back propagation, probabilistic neural network, ELM, voting-based Q-generalized extreme learning machine, Radial basis neural network and ELM with some existing spiking neuron models in terms of classification accuracy, Area under curve (AUC), H-measure and computational time. From the experimental results, it has been noticed that improvement in accuracy and execution time for the proposed SELM is highly statistically important for all aforementioned credit scoring datasets. Thus, integrating a biological spiking function with ELM makes it more efficient for categorization.     

PSO-BP 模型在高校学生个人信用评价中的应用

近年来,信用问题己成为全社会共同关注的一个重要话题。通过建立高校学生个人信用评价体系来引导和督促学生重视个人信用记录、改善个人信用行为、推动高校助学贷款、就业等各项工作的开展是非常必要的。采用PSO-BP算法建立模型,对BP算法进行优化,克服了BP神经网络收敛速度慢、易陷入局部极小、初始值难以确定等固有缺陷。通过在Matlab环境下进行仿真,结果表明,PSO-BP加快了BP的收敛速度,提高了BP的泛化能力,PSO-BP模型的训练效果明显优于BP模型,在高校学生个人信用评价币具有一定的实践意义。     

基于朴素贝叶斯分类器的个人信用评估模型

个人信用评估是金融与银行界研究的重要内容。论文研究了三种朴素贝叶斯分类器信用评估模型的精度。在两个真实数据集上用10层交叉验证对朴素贝叶斯信用评估模型进行了测试,并与五种DavidWest的神经网络个人信用评估模型进行了对比。结果表明朴素贝叶斯分类器具有较低的分类误差,在信用评估中有优势。     

Computational time reduction for credit scoring: An integrated approach based on support vector machine and stratified sampling method

With the rapid growth of credit industry, credit scoring model has a great significance to issue a credit card to the applicant with a minimum risk. So credit scoring is very important in financial firm like bans etc. With the previous data, a model is established. From that model is decision is taken whether he will be granted for issuing loans, credit cards or he will be rejected. There are several methodologies to construct credit scoring model i.e. neural network model, statistical classification techniques, genetic programming, support vector model etc. Computational time for running a model has a great importance in the 21st century. The algorithms or models with less computational time are more efficient and thus gives more profit to the banks or firms. In this study, we proposed a new strategy to reduce the computational time for credit scoring. In this approach we have used SVM incorporated with the concept of reduction of features using F score and taking a sample instead of taking the whole dataset to create the credit scoring model. We run our method two real dataset to see the performance of the new method. We have compared the result of the new method with the result obtained from other well known method. It is shown that new method for credit scoring model is very much competitive to other method in the view of its accuracy as well as new method has a less computational time than the other methods.     

基于图神经网络的金融征信研究

金融机构对申请借贷的用户进行信用评价是互联网金融领域的前沿方向之一。首先,基于互联网金融借贷网络历史数据,通过用户间借贷关系的网络化建模来反映融合用户节点与周边关系节点相互作用的借贷关联作用的复杂网络。其次,通过引入基于节点中心性结构特征指标的图神经网络模型,提出了具有邻接圈层信息与借贷信用信息耦合的个人征信评估模型。最后,模型在包含756100条交易记录的历史数据集上运行实现,并与BP神经网络算法和RF-Logistic模型进行了对比,结果显示所提模型具有更高的评估准确率。