基于稀疏贝叶斯学习的个人信用评估

计算机应用 ›› 2013, Vol. 33 ›› Issue (11): 3094-3096.

基于稀疏贝叶斯学习的个人信用评估

李太勇¹,²,王会军³,吴江²,³,张智林⁴,唐常杰⁵

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

收稿日期:2013-05-17 修回日期:2013-07-16 出版日期:2013-11-01 发布日期:2013-12-04
通讯作者: 李太勇
作者简介:李太勇(1979-)，男，四川安岳人，副教授，博士，CCF高级会员，主要研究方向：数据挖掘；王会军(1988-)，男，山东潍坊人，硕士研究生，主要研究方向：金融风险；吴江(1980-)，男，浙江衢州人，副教授，博士，主要研究方向：数据库与知识工程；张智林(1980-)，男，湖南武陵人，博士，主要研究方向：稀疏贝叶斯学习；唐常杰(1946-)，男，重庆人，教授，博士生导师，主要研究方向：数据库与知识工程。
基金资助:
教育部人文社会科学研究青年基金资助项目;中央高校基本科研业务专项资金资助项目;西南财经大学科研基金资助项目

Sparse Bayesian learning for credit risk evaluation

LI Taiyong¹,²,WANG Huijun³,WU Jiang¹,³,ZHANG Zhilin⁴,TANG Changjie⁵

1. Institute of Chinese Payment System, Southwestern University of Finance and Economics, Chengdu Sichuan 610074, China;
2. undefined
3. School of Economic Information Engineering, Southwestern University of Finance and Economics, Chengdu Sichuan 610074, China;
4. Emerging Technology Lab, Samsung Research and Development Institute America-Dallas, Richardson TX 75082, USA;
5. School of Computer Science, Sichuan University, Chengdu Sichuan 610064, China

Received:2013-05-17 Revised:2013-07-16 Online:2013-12-04 Published:2013-11-01
Contact: LI Taiyong

摘要/Abstract

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

Abstract: To solve the low classification accuracy and poor interpretability of selected features in traditional credit risk evaluation, a new model using Sparse Bayesian Learning (SBL) to evaluate personal credit risk (SBLCredit) was proposed in this paper. The SBLCredit utilized the advantages of SBL to get as sparse as possible solutions under the priori knowledge on the weight of features, which led to both good classification performance and effective feature selection. SBLCredit improved the classification accuracy of 4.52%, 6.40%, 6.26% and 2.27% averagely when compared with the state-of-the-art K-Nearest Neighbour (KNN), Nave Bayes, decision tree and support vector machine respectively on real-world German and Australian credit datasets. The experimental results demonstrate that the proposed SBLCredit is a promising method for credit risk evaluation with higher accuracy and fewer features.

Key words: Sparse Bayesian Learning (SBL), classification, credit risk evaluation, financial risk, feature selection

中图分类号:

李太勇王会军吴江张智林唐常杰. 基于稀疏贝叶斯学习的个人信用评估[J]. 计算机应用, 2013, 33(11): 3094-3096.

LI Taiyong WANG Huijun WU Jiang ZHANG Zhilin TANG Changjie. Sparse Bayesian learning for credit risk evaluation[J]. Journal of Computer Applications, 2013, 33(11): 3094-3096.

[1]	毛铭泽, 曹芮浩, 闫春钢. 基于权值多样性的半监督分类算法[J]. 计算机应用, 2021, 41(9): 2473-2480.
[2]	湛航, 何朗, 黄樟灿, 李华峰, 张蔷, 谈庆. 改进的基于层次距离的基因表达式编程特征选择分类算法[J]. 计算机应用, 2021, 41(9): 2658-2667.
[3]	宋中山, 梁家锐, 郑禄, 刘振宇, 帖军. 基于双向门控尺度特征融合的遥感场景分类[J]. 计算机应用, 2021, 41(9): 2726-2735.
[4]	胡天杰, 胡文军, 王士同. 分布熵惩罚的支持向量数据描述[J]. 计算机应用, 2021, 41(8): 2212-2218.
[5]	祝承, 赵晓琦, 赵丽萍, 焦玉宏, 朱亚飞, 陈建英, 周伟, 谭颖. 基于谱聚类半监督特征选择的功能磁共振成像数据分类[J]. 计算机应用, 2021, 41(8): 2288-2293.
[6]	李蒙蒙, 秦伟, 刘艺, 刁兴春. 结合头脑风暴优化的混合蚁群优化算法[J]. 计算机应用, 2021, 41(8): 2412-2417.
[7]	朱亮, 徐华, 崔鑫. 基于基分类器系数和多样性的改进AdaBoost算法[J]. 计算机应用, 2021, 41(8): 2225-2231.
[8]	张洋, 江铭虎. 基于注意力机制的文本作者识别[J]. 计算机应用, 2021, 41(7): 1897-1901.
[9]	肖振远, 王逸涵, 罗建桥, 熊鹰, 李柏林. 基于部分加权损失函数的RefineDet[J]. 计算机应用, 2021, 41(7): 1928-1932.
[10]	尹春勇, 张帼杰. 面向分布式漂移数据流的集成分类模型[J]. 计算机应用, 2021, 41(7): 1947-1955.
[11]	章惠, 张娜娜, 黄俊. 优化LeNet-5网络的多角度头部姿态估计方法[J]. 计算机应用, 2021, 41(6): 1667-1672.
[12]	史杨潇, 章军, 陈鹏, 王兵. 基于轻量级网络的钢铁表面缺陷分类[J]. 计算机应用, 2021, 41(6): 1836-1841.
[13]	贾鹤鸣, 郎春博, 姜子超. 基于轻量级卷积神经网络的植物叶片病害识别方法[J]. 计算机应用, 2021, 41(6): 1812-1819.
[14]	郭帅, 苏旸. 基于数据流的加密流量分类方法[J]. 计算机应用, 2021, 41(5): 1386-1391.
[15]	贾鹤鸣, 姜子超, 李瑶, 孙康健. 基于改进斑点鬣狗优化算法的同步优化特征选择[J]. 计算机应用, 2021, 41(5): 1290-1298.