SPSS Modeler 支持向量机模型评估银行客户信用.docxVIP

— PAGE \* Arabic 1 — SPSS Modeler 支持向量机模型评估银行客户信用 Modeler 支持向量机模型评估银行客户信用  本文要介绍的预测分析模型是“支持向量机模型”，我们将为大家简要介绍支持向量机模型的理论，然后结合IBM SPSS Modeler 产品详细讲述如何利用支持向量机模型来解决客户的具体商业问题—银行如何评估客户信用  银行典型案例  商业银行个人信用评估就是根据个人信息和借贷记录等历史数据，判断个人信用，它是保证信贷安全的重要一环。但是商业银行用于信用评估的数据往往具有特性不稳定，历史样本容量较小，指标较多，呈明显的非正态分布。这些特点导致很难利用一般的统计技术进行有效的评估。支持向量机模型( 简称SVM) 能够很好的处理此类数据，进行有效的信用评估。本文介绍了SVM 的基本概念以及Modeler 中使用SVM 进行信用评估的基本步骤和方法，并对结果进行分析和应用  支持向量机模型简介  支持向量机(Support Vector Machine, 简称SVM) 是一项功能强大的分类和回归技术，可最大化模型的预测准确度。与其他常用模型不同，SVM 一个优势就是能很好的处理小样本，高维数，非正态的数据。  SVM 的工作原理是将原始数据通过变换映射到高维特征空间，这样即使数据不是线性可分，也可以对该数据点进行分类。之后，使用变换后的新数据的进行预测分类。例如，图 1 中的数据点落到了两个不同的类别中，可以用一条曲线分隔这两个类别。对数据使用某种数学函数变换后，可以用超平面定义这两个类别之间的边界。  图 1. 数据变换后线性可分示意图   用于变换的数学函数称为核函数。IBM SPSS Modeler 中的SVM 支持下列核函数类型：  ?线性  ?多项式  ?径向基函数(RBF)  ?Sigmoid  如果数据的线性分隔比较简单，则建议使用线性核函数。在其他情况下，应当使用其他核函数。在所有情况下，最好尝试使用不同的核函数，才能从中找出最佳模型，因为每一个函数均使用不同的算法和参数。  回页首  使用IBM SPSS Modeler 支持向量机模型评估客户信用  IBM SPSS Modeler 中的SVM 提供了可视化的操作方法，具有界面友好，操作方便的特点。此节，介绍如何使用IBM SPSS Modeler SVM 评估客户信用。操作步骤分为：  ?创建基本流（Modeler Stream），建立模型；  ?测试模型，分析结果；  ?用不同的核函数建模，比较并选择合适的模型；  ?运用选定的模型来评估客户信用。  我们使用UCI Machine Learning Repository 上公开的商业银行客户信用记录作为数据集进行演示。该数据集由1000 条个人信用记录组成，每条记录均包含一组个人信息值，其中包括对客户信用的评估结果。1000 条记录保存在CreditData.csv 文件中，从1000 条记录中抽出一部分用于演示用选定的模型评估客户信用，将这部分数据保存到CreditData4Estimate.csv 文件中。  创建基本流（Modeler Stream），建立模型  图 2. 基本流建模图   基本流如图 2 所示，创建步骤如下  1) 添加源数据—选择合适的数据  创建新流，命名为SVM.str。从“源”选项卡中添加一个“可变文件”节点到SVM.str，从“输出”选项卡中添加一个“表”节点到流，并将“表”节点连接到“可变文件”节点。打开“可变文件”节点，导入客户信用数据CreditData.csv。运行“表”节点，显示源文件中数据，如图3 所示。数据有22 个字段，1000 条记录。ID 字段为客户标志符。每个客户的信息包含在从StatusChkAccount  到Foreigner的字段中。Class字段表示信用评级，取值为良( 值=1) 或者差( 值=2)。  图 3. 源数据图   2) 设置类型—选择用作预测的变量和目标变量  从“字段选项”选项卡中添加一个“类型”节点到SVM.str, 并将它连接到“可变文件”节点之后，打开“类型”节点，并单击[ 读取值] 按钮。获得数据集描述，如图4 所示。  图 4. 源数据类型描述图   本模型，希望预测Class的值( 此字段只有 2 个值，即良(=1) 还是差(=2))。在“类型”设置界面中，单击Class