基于SVM的银行信用风险评估实证研究毕业答辩.ppt

三、信用评估简介 四、研究依据：SVM的基本思想 线性不可分，引入核函数技术 通过非线性函数将原始空间的样本映射到高维特征空间中 五、实证研究 数据来源：真实的银行数据集（澳大利亚和德国） 数据数理：归一化处理 选取数据挖掘软件：Weka 核函数选择：线性函数 多项式函数 高斯径向基函数 实验方法：交叉验证-10 Weka界面显示 实证结果分析（1）： 实证结果分析（2）： 选择多项式核函数时的分类准确率 实证结果分析（3）： 选择径向基核函数时的分类准确率 德国： 澳大利亚： 实证结果总结： 本次试验得到的最高分类准确度为76.9%和86.3768%，相对应的最优核函数为多项式核函数，最优惩罚参数C都为1。 当分类准确率大于75%时 ，可认为分类模型是有效的。 实验结果显示，将支持向量机方法应用于信用评估领域，具有良好的分类效果，说明支持向量机方法确实具有很好的应用前景。 六、论文的不足及有待进一步研究的问题 不足之处：惩罚参数C 取值有限，涵盖范围较小，本次实验得到的最高分类准确率事实上可能不是真正的最高准确率，没有达到最佳的分类效果。 有待进一步研究的问题：关于信用指标的选择，某些信用指标可能无关紧要。以后的研究将会朝着信用指标的选取方面发展。 致谢 谢谢各位老师，请老师们批评指正！ Company Logo LOGO 指导教师： 基于SVM的银行信用风险评估实证研究 班级： 姓名： 学号： 深入研究银行信用风险评估问题，不但可以规避银行贷款的风险，从而提高银行盈利能力，而且可以降低个人与银行的经济纠纷和债权债务的经济恶性案件发生的概率，有利于推动社会经济发展。对于银行界来讲，本论文中的信用评级实证研究，具有一定的参考价值和实际意义 。 一、研究目的及意义 二、论文的结构和主要内容 第一部分 绪论 第二部分 数据挖掘与信用评估 第三部分 支持向量机概述 第四部分 信用评级的实证研究 第五部分 总结与展望 H H1 H2 选择线性核函数时的分类准确率 85.5072 85.5072 85.5072 85.5072 85.5072 85.5072 85.5072 澳大利亚 76.5 76.6 76.3 76.4 76.3 76.4 76.3 德国 32.0 16.0 8.0 4.0 2.0 1.0 0.5 C 数据 85.2174 85.5072 86.3768 86.2319 86.3768 86.3768 86.087 澳大利亚 71.9 72.7 73.6 73.5 75.9 76.9 76.4 德国 32.0 16.0 8.0 4.0 2.0 1.0 0.5 C 数据 71.3 71.2 71.2 71.4 71.6 72.3 70.4 2.0 71.3 71.6 71.7 71.6 73.8 74.2 71.9 1.0 70.9 71 71.6 74.3 75.7 76.2 74.6 0.5 72.2 74.6 75.2 75.6 76.1 76.3 74.3 0.25 75.6 76.6 75.7 76.4 75.8 75.3 74.6 0.125 75.9 76.2 76.4 75.4 75.5 74.9 71.1 0.0625 32.0 16.0 8.0 4.0 2.0 1.0 0.5 C 82.029 83.7681 84.3478 84.4928 84.7826 85.942 85.7971 2.0 84.058 84.3478 84.7826 85.7971 85.5072 85.942 85.5072 1.0 84.6377 85.5072 86.087 85.0725 85.5072 85.3623 85.2174 0.5 85.7971 85.6522 85.5072 85.6522 85.0725 85.5072 85.5072 0.25 85.5072 85.942 85.5072 85.5072 85.5072 85.5072 85.0572 0.125 85.7971 85.6522 85.5072 85.5072 85.5072 85.5072 85.5072 0.0625 32.0 16.0 8.0 4.0 2.0 1.0 0.5 C Company Logo LOGO