基于聚类的个人信用评分模型研究.docxVIP

— PAGE \* Arabic 1 — 基于聚类的个人信用评分模型研究 邮局订阅号：８２－９４６３６０元／年技术创新   金融电子  《ＰＬＣ技术应用２００例》  您的论文得到两院院士关注  徐向阳：讲师  基于聚类的个人信用评分模型研究  ＲｅｓｅａｒｃｈｏｎＰｅｒｓｏｎａｌＣｒｅｄｉｔＳｃｏｒｉｎｇＭｏｄｅｌｂａｓｅｄｏｎＣｌｕｓｔｅｒｉｎｇ  （１．河南公安高等专科学校；２．河南师范大学）徐向阳  １  葛继科  ２  Ｘｕ，ＸｉａｎｇｙａｎｇＧｅ，Ｊｉｋｅ   技术创新  中文核心期刊《微计算机信息》（管控一体化）２００６年第２２卷第９－３期  ３６０元／年邮局订阅号：８２－９４６  《现场总线技术应用２００例》  金融电子  量，并产生一个公式。信用评分模型的统计方法有：线性概率模型、Ｌｏｇｉｔ模型、Ｐｒｏｂｉｔ模型、  以及判别（Ｄｉｓｃｒｉｍ－ｉｎａｎｔ）分析方法。  ２．２数据挖掘方法  数据挖掘（ＤａｔａＭｉｎｉｎｇ，ＤＭ）是为了发现事先未知的规则和联系而对大量数据进行选择、探索和建模的过程，其任务可以分为两类：描述和预测。用于个人信用评分的常用方法包括分类、聚类、关联规则分析、预测、孤立点检测等。  １．分类（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）：按分析对象的属性、特征建立不同的组类来描述事物。它基于对类标记已知的数据对象的分析，导出描述并区分数据类或概念的模型（或函数），用以预测类标记未知的对象类，导出模式可以用分类规则、判定树、数学公式或神经网络等形式表示。  ２．聚类（Ｃｌｕｓｔｅｒｉｎｇ）：根据“  物以类聚”的原理，将本身没有类别的样本聚集成不同的组，这样的一组数据  对象叫做簇，并且对每一个这样的簇进行描述的过程。其目的是使得属于同一个簇的对象应该彼此相似，而不同簇的对象应该足够不相似。  ３．关联规则分析（Ａｓｓｏｃｉａｔｉｏｎｒｕｌｅａｎａｌｙｓｉｓ）：某种事物发生时其他事物会发生的一种联系，这些规则展示属性－值频繁地在给定数据集中一起出现的条件，关联规则形式：Ｘ＝＞Ｙ［Ｓ％，Ｃ％］，其中，Ｘ、Ｙ是空间或非空间谓词的集合，Ｓ％表示规则的支持度，Ｃ％表示规则的置信度。  ３基于决策属性的分类－聚类个人信  用评分模型  就个人信用评分建模问题而言，待建模数据库假设为一个信用数据库，它是一个由属性、元组组成的二维表，称之为信用决策表。属性分为条件属性和决策属性，各条件属性的取值可以是某段区间的连续值，也可以是多个离散值，决策属性取值为百分制。初始样本集根据决策属性的分数作区段划分，得到多个大类别，为了进一步精确化，再对每一个大类别进行聚类分析，得到多个子聚类，对每个子聚类建立一个能拟合包含在其中的训练样本的子模型。  设训练样本集为Ｓ   ，Ｓ   中共有Ｎ个样品，可以把它看作一个数据库，Ｓ的每个样品是一个元组（即＜属性，值＞对），根据决策属性的取值对训练样本集进行类别划分，划分后可记为：Ｓ１，Ｓ２，．．．，Ｓｋ，共Ｋ类样本子集。对第ｉ类的样本子集Ｓｉ进行聚类分析，可得到Ｎｉ个子聚  类Ｃｊｉ（第ｉ类的样本子集Ｓｉ的第ｊ个子聚类）。  这里ｉ＝１，２，…，Ｋ，ｊ＝１，２，…，Ｎｉ，。对每个子聚类Ｃｊｉ可建  立一个子模型来拟合描述这个子聚类中的所有样本。如图１所示。  按照上述方法，可以得到一个分类—聚类树，对于基层的子聚类，当某些子聚类满足一定的条件时就可以合并（融合）。设Ａ＝｛Ｃ１，Ｃ２，．．．，Ｃｍ｝，Ｂ＝｛Ｃｍ＋１，Ｃｍ＋２，．．．，Ｃｎ｝  分别为某空间中的由多个子聚类组成的集合。集合Ａ  中的Ｃｉ（ｉ＝１，２，…，ｍ）与集合Ｂ中的Ｃｊ（ｊ＝ｍ＋１，ｍ＋２，…，ｎ）能否合并，可由以下判别方法决定：  ①若子聚类Ｃｉ的中心在Ｃｊ的边界所构成的区域内，且Ｃｉ与Ｃｊ有部分或全部空间重叠，则Ｃｉ可与Ｃｊ合并；  ②若子聚类Ｃｉ的中心在Ｃｊ的边界所构成的区域外，但Ｃｉ与Ｃｊ有部分空间重叠，此时需根据空间的比例及实际情况判断Ｃｉ与Ｃｊ是否可合并；  ③若子聚类Ｃｉ与Ｃｊ完全不重叠，则Ｃｉ与Ｃｊ不能合并。  针对每个子聚类，具体的建模方法可以使用基于粗糙集的神经网络建模方法、神经网络二分类法、径向基函数ＲＢＦ学习算法、范例类比模型法和模糊Ｃ－均值聚类算法（ＦＣＭ）等。  也可以采用ＲＢＦ中的子聚类区域高斯函数描述法来确定