改进的SSVM集成算法在信用风险评估中的应用

作者：陈舒期; 梁雪春^*

来源：计算机工程与设计, 2019, 40(10): 2822-2826.

DOI：10.16208/j.issn1000-7024.2019.10.015

• 信用风险评估
• 选择性支持向量机
• 自适应增强(AdaBoost)
• 粗糙集约简
• 集成

为进一步提高选择性支持向量机(SSVM)的分类精度,提出一种基于改进的SSVM的集成算法(AR-SKB)。利用AdaBoost算法和基于广义差别矩阵的粗糙集属性约简算法对样本和样本的属性特征进行扰动,生成差异度较大的个体SVM;利用自组织映射(SOM)和K-means聚类算法结合的聚类算法(SOM-K)对训练出来的个体SVM进行分类,选择每类中训练精度最高的SVM作为最优个体;用BP算法将最优个体进行非线性集成。实验结果表明,该算法在UCI两个数据集上的分类精度分别提高了2.7%和2.2%。

• 出版日期2019
• 单位南京工业大学