数据挖掘应用20个案例分析之企业信用评级.pdfVIP

数据挖掘技术及工程实践系列丛书之 数据挖掘应用20 个案例分析 数据挖掘应用20 个案例分析 数数据据挖挖掘掘应应用用2200个个案案例例分分析析 (V01.00.000) 广州太普信息技术有限公司 广州太普信息技术有限公司 广广州州太太普普信信息息技技术术有有限限公公司司 地址： 广州市经济技术开发区科学城232号 网址： 邮箱： 5iai2008@ 热线： 40068-40020 邮编： 510663 电话： （02085666585 案例二十 企业信用评级 温馨提示： • 需支持，找广州太普技术： • 要建模，上数据挖掘在线平台：； • 有问题，找太普问库： • 想兼职，找数据挖掘创业联盟：518. • 寻合作（科技申报、高校教学、企业咨询），请联系：40068-40020 挖掘目标的提出 在我国的经济社会活动中，判断一个企业的信用级别，牵涉到多个部门，包括质量技术 监督、商检、工商、税务、海关、银行、消费者协会等。其中，每个职能部门都有一些关于 企业信用的统计数据，如何从这些数据中判定企业的信用，进而将企业明确地标记为某个信 用级别，是一个非常复杂的问题。本例不能仅根据企业财务状况指标，而应根据影响企业信 用状况的多维指标来评估企业的信用状况。因此，企业信用判别方法的关键步骤和难点在于 指标体系的确立和评估模型的选择，也即如何确立一种更为科学、有效的信用评级衡量标准。 国内外在对企业信用评价中，广泛采用了基于统计判别方法的预测模型。总的来说，这 些模型都被表述为一类分类系统，它们接受定义在已选变量集合上的一个随机观测值样本， 建立判别函数，进行分类。常用的模型有：回归分析法、多元判别分析法、Logit法、Probit 法等，这些模型已经得到广泛的应用。这些方法的最大优点是使用简单，但也存在很大的局 限性，如企业的实际信用评级指标的各个因素之间有些相互影响，有些相互独立，呈现出复 杂的非线性关系，故用上述方法做出的评估比较粗糙。 作为研究复杂性的有力工具，神经网络技术近年来在模式识别与分类、识别滤波、自动 控制、预测等方面已展示了其非凡的优越性，特别是能处理任意类型的数据，这是许多传统 方法所无法比拟的。通过不断学习，能够从未知模式的大量的复杂数据中发现其规律。神经 网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难，它是一种自然的非 线性建模过程，毋需分清存在何种非线性关系，给建模与分析带来极大的方便。它不依赖于 变量之间必须线性相关或是相互独立的假设。变量之间存有微妙联系，如同数据不连续或不 完全一样，均可被系统辨识并自动实现分类。 具体应用为：首先，由输入大量的企业信用资料及相应信用等级数据并对其进行分析， 此过程称为“训练”。在“训练”期间，神经网络系统研究它收到的原始的随机性的数据， 重建它们的数学关系，将之转换为连续性的有数学规律性的形式，结果是得到一个适合这些 数据的模型（称为建模）。即神经网络系统依据输入输出的数据对，通过学习得到一个描述 系统输入输出关系的非线性映射。然后神经网络系统还会自动对它本身的模型进行调整，所 以神经网络系统还有“推断”功能。 建模的关键，就在于每个处理单元之间建立适当的连结，这就像脑神经细胞间彼此用突 触做沟通的渠道一样。本例可用一般的电脑来模拟人工的神经元，每个神经元都可同时接受 许多输入讯号，根据内部简单的运算，送出一个单一的讯号，作为另一神经元的输入讯号。 这些神经元的连结并不象想像的那样杂乱无章，而是被组织成层次分明的神经元，每一层内 的神经元并不相互连结，它们只接受下层神经元的讯号，并向上送出结果。其中，输入层负 责接收资料，而输出层