文献类型：期刊文章

作　　者：李太勇[1,2] 王会军[1] 吴江[1,2] 张智林[3] 唐常杰[4]

机构地区：[1]西南财经大学经济信息工程学院,成都610074 [2]西南财经大学中国支付体系研究中心,成都610074 [3]Emerging Technology Lab, Samsung Research and Development Institute America-Dallas, Richardson TX 75082, USA [4]四川大学计算机学院,成都610064

出　　处：《计算机应用》

基　　金：教育部人文社会科学研究青年基金资助项目(11YJCZH084);中央高校基本科研业务专项资金资助项目(JBK130142,JBK130503);西南财经大学科研基金资助项目(2011XG130)

年　　份：2013

卷　　号：33

期　　号：11

起止页码：3094-3096

语　　种：中文

收录情况：AJ、BDHX、BDHX2011、CSA、CSA-PROQEUST、CSCD、CSCD2013_2014、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对传统信用评估方法分类精度低、特征可解释性差等问题,提出了一种使用稀疏贝叶斯学习方法来进行个人信用评估的模型(SBLCredit)。SBLCredit充分利用稀疏贝叶斯学习的优势,在添加的特征权重的先验知识的情况下进行求解,使得特征权重尽量稀疏,以此实现个人信用评估和特征选择。在德国和澳大利亚真实信用数据集上,SBLCredit方法的分类精度比传统的K近邻、朴素贝叶斯、决策树和支持向量机平均提高了4.52%,6.40%,6.26%和2.27%。实验结果表明,SBLCredit分类精度高,选择的特征少,是一种有效的个人信用评估方法。

关 键 词：稀疏贝叶斯学习  分类  信用评估 金融风险 特征选择  

分 类 号：F830.5[金融学类] TN911.7]