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 发布日期:2013-12-04 出版日期:2013-11-01
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]	黄于欣, 徐佳龙, 余正涛, 侯书楷, 周家啟. 基于生成提示的无监督文本情感转换方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2667-2673.
[2]	陈虹, 齐兵, 金海波, 武聪, 张立昂. 融合1D-CNN与BiGRU的类不平衡流量异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2493-2499.
[3]	孙淳, 胡春龙, 黄树成. 一致性保留的集成排序年龄估计方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2381-2386.
[4]	冷强奎, 孙薛梓, 孟祥福. 基于样本势和噪声进化的不平衡数据过采样方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2466-2475.
[5]	张全梅, 黄润萍, 滕飞, 张海波, 周南. 融合异构信息的自动国际疾病分类编码方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2476-2482.
[6]	王东炜, 刘柏辰, 韩志, 王艳美, 唐延东. 基于低秩分解和向量量化的深度网络压缩方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 1987-1994.
[7]	葛焌迟, 赵为华. 矩阵数据基于鲁棒主成分分析的距离加权判别分析[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2073-2079.
[8]	陆潜慧, 张羽, 王梦灵, 吴庭伟, 单玉忠. 基于改进循环池化网络的核电装备质量文本分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2034-2040.
[9]	黎施彬, 龚俊, 汤圣君. 基于Graph Transformer的半监督异配图表示学习模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1816-1823.
[10]	余新言, 曾诚, 王乾, 何鹏, 丁晓玉. 基于知识增强和提示学习的小样本新闻主题分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1767-1774.
[11]	翟飞宇, 马汉达. 基于DenseNet的经典-量子混合分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1905-1910.
[12]	袁子璇, 翁小清, 戈宁振. 基于正交局部保持映射和成本优化的多变量时间序列早期分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1832-1841.
[13]	姚迅, 秦忠正, 杨捷. 生成式标签对抗的文本分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1781-1785.
[14]	李旭, 何玉林, 崔来中, 黄哲学, PHILIPPE Fournier‑Viger. 基于大数据随机样本划分的分布式观测点分类器[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1727-1733.
[15]	李鑫, 孟乔, 皇甫俊逸, 孟令辰. 基于分离式标签协同学习的YOLOv5多属性分类[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1619-1628.