首页 | 新闻公告 | 作者指南 | 编委会 | 关于杂志 | 订阅 | 相关链接 | 下载区 | 联系我们

银行客户信用评估动态分类器集成选择模型
Dynamic classifier ensemble selection model for bank customer’s credit scoring
摘要点击 13  全文点击 7    
查看全文  查看/发表评论  下载PDF阅读器
中文关键词  信用评估; 缺失数据; 动态分类器集成选择
英文关键词  credit scoring; missing values; dynamic classifier ensemble selection
基金项目  国家自然科学基金资助项目(71471124; 71101100; 71273036) ; 四川省社科规划资助项目(SC14C019) ; 四川省教育厅创新团队资助项目(13TD0040) ; 四川大学优秀青年基金资助项目(2013SCU04A08) ; 四川大学学科前沿与交叉创新资助项目 (skqy201352)
学科分类代码  
作者单位
肖进 四川大学商学院,成都610064;中国科学院数学与系统科学研究院,北京100190 
刘敦虎 成都信息工程学院管理学院,成都610225 
顾新 四川大学商学院,成都610064;四川大学软科学研究所,成都610064 
汪寿阳 中国科学院数学与系统科学研究院,北京100190 
中文摘要
      现实的银行客户信用评估数据常包含大量的缺失值,这在很大程度上影响了信用评估模型的性能.针对已有模型的不足,提出了面向缺失数据的动态分类器集成选择模型DCESM.该模型充分利用数据集中所包含的已知信息,在训练信用评估模型之前不需要事先对缺失数据进行预处理,从而减少了对数据缺失机制假设以及数据分布模型的依赖.从UCI 数据库中选择两个银行信用卡业务信用评估数据集进行实证分析,结果表明,与4 种常用的基于插补法的多分类器集成模型以及1 种直接面向缺失数据建模的集成模型相比,DCESM 模型能够取得更好的客户信用评估性能.
英文摘要
      The data in the bank customer’s credit scoring often include lots of missing values,which affect the modeling performance to a large extent. To overcome the deficiencies of existing models,this paper proposes a dynamic classifier ensemble selection model for missing values ( DCESM) . The model can make full use of the information included in the dataset and does not need to pre-process the missing values before training the model,which decreases the dependence on the hypothesis for data missing mechanism and distribution model.Two credit scoring datasets on bank credit card business from UCI database were selected for our empirical analysis.The results show that the DCESM model outperformed four imputation-based multi-classifiers ensemble models and one ensemble model for missing values
关闭

版权所有 © 2007 《管理科学学报》
通讯地址:天津市南开区卫津路92号天津大学第25教学楼A座908室 邮编:300072
联系电话/传真:022-27403197 电子信箱: jmstju@263.net