摘要:支持向量机是近些年兴起的人工智能方法,并在信用风险分析领域得到了广泛应用。为了有效地减小在实证研究中样本的奇异点和噪声对模型的干扰,在近似支持向量机的基础上,引入模糊隶属度的思想,提出了模糊近似支持向量机,使之不仅能保留近似支持向量机原有的优点,同时也可以减小奇异点和噪声对模型的干扰,从而进一步提高了分类判别能力。为验证模糊近似支持向量机的效果,利用两个公开的信用数据集进行实证研究。实证研究结果表明:与其它模型相比,所提出的模糊近似支持向量机能够显著地提高信用风险分类精度,具有较高的实用价值。
关键词:信用风险评估 近似支持向量机 模糊隶属度
单位:中国科学院数学与系统科学研究院 北京100190 北京化工大学经济管理学院 北京100029 杭州师范大学阿里巴巴商学院电子商务与信息安全重点实验室 杭州310036
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社
相关范文
模糊数学论文