PSO-SVM模型的构建与应用

为了使支持向量机(SVM)获得更好的分类效果,针对人为选择参数的随机性,提出了利用粒子群算法(PSO)进行参数自动选取的优化方法,构建了PSO-SVM模型.在个人信用评估中,通过对粒子适应度函数的设置来控制造成较大损失的第二类误判,应用结果表明:模型在训练和测试样本中的分类精度可以达到95%,第二类误判率分别仅为0.78%和2.02%.利用PSO对SVM中的参数进行优化,可以避免人为选择的随机性,并且在解决分类问题中表现出较好的稳健性.     

基于后验概率的个人信用评估SVM模型

针对标准SVM模型在个人信用评估中单纯将消费信贷申请者划分为违约类或未违约类的不足,提出了利用基于后验概率的SVM模型进行个人信用评估的方法。利用商业银行的消费信贷数据进行的实证研究表明,基于后验概率的SVM模型通过将标准SVM的决策值转化为后验概率输出,能够对样本属于未违约的概率进行估计,并能够据此划分信贷申请者的信用等级,对于商业银行根据不同的经营目标制定相应的信贷政策更具有实践意义。