基于半监督学习的客户信用评估集成模型研究

摘要：

将半监督学习技术与多分类器集成模型Bagging相结合,构建类别分布不平衡环境下基于Bagging的半监督集成模型(SSEBI),综合利用有、无类别标签的样本来提高模型的性能.该模型主要包括三个阶段:(1)从无类别标签数据集中选择性标记一部分样本并训练若干个基本分类器;(2)使用训练好的基本分类器对测试集样本进行分类;(3)对分类结果进行集成得到最终分类结果.在五个客户信用评估数据集上进行实证分析,结果表明本研究提出的SSEBI模型的有效性.

关键词：信用评估、类别分布不平衡、半监督学习、Bagging、半监督集成

所属期刊栏目：31

分类号：F830.46;TP18(金融、银行)

资助基金：国家自然科学基金项目71471124;四川大学哲学社会科学青年学术人才基金项目skqx201607;四川大学一流大学建设人才人物培育工程专项skzx2016-YCYW14;四川大学中央高校基本科研业务费研究专项skzx2015-sb64

在线出版日期：2017-07-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：131-134