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.
关键词:信用评估 缺失数据 动态分类器集成选择
单位: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 成都信息工程学院管理学院 成都610225 四川大学软科学研究所 成都610064
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社