计算机应用研究

作者：邵良杉,周玉,

单位：辽宁工程技术大学系统工程研究所,辽宁葫芦岛125105；

关键词：信用评分,类别不平衡,SDSMOTE算法,Fisher准则,支持向量机,集成学习,

基金：国家自然科学基金资助项目(71371091)；辽宁省社会规划项目(L14BTJ004)；；

针对信贷行业信用评分业务中存在的样本类别不平衡问题，首先在信用评分各影响因素Fisher比率值分析的基础上确定主要评判指标；而后以基于支持度的过采样算法（SDSMOTE）为样例合成算法，支持向量机（SVM）为基预测器，Boosting算法为框架，构建基于Fisher-SDSMOTE-ESBoostSVM的类别不平衡信用评分预测模型；在基分类器训练结束后引入淘汰策略，删除未被正确分类的合成样例，重新生成正类样例并修正样例权重；最后以UCI数据库中德国信用数据集为实验样本，F-measure值和G-mean值为评价指标，对比分析Fisher-SDSMOTE-ESBoostSVM与其他集成学习算法的预测结果。实验结果表明，Fisher-SDSMOTE-ESBoostSVM算法应用到信贷行业客户信用评分预测中具有可行性和适应性，且预测准确率较高，具有一定的实际应用价值。

来源：2019年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2019年第6期