基于最优朴素贝叶斯分类器的个人信用预测

文中主要研究了朴素贝叶斯分类器算法及其优化算法在个人信用预测上的应用,提出了一种基于最大后验概率熵的最优朴素贝叶斯分类器并用在个人信用的预测上.思想是以训练集中样本在不同朴素贝叶斯分类器上的后验概率熵作为反馈信息,从训练样本中选取部分最优样本,抛弃部分含有噪音的样本,作为最优的朴素贝叶斯分类器.用新算法在德国信用数据上用十字交叉验证的方法进行了实验,并同朴素贝叶斯分类器(naive Bayesian classifier,NBC)和支持向量机(support vector machine,SVM)预测结果进行了对比.实验表明该分类器的预测准确率好于朴素贝叶斯分类器,效率好于支持向量机.