用于处理不平衡样本的改进近似支持向量机新算法

近似支持向量机(PSVM)在处理不平衡样本时,会过拟合样本点数较多的一类,低估样本点数较少的类的错分误差,从而导致整体样本的分类准确率下降。针对该问题,提出一种用于处理不平衡样本的改进的PSVM新算法。新算法不仅给正、负类样本赋予不同的惩罚因子,而且在约束条件中新增参数,使得分类面更具灵活性。该算法先对训练集训练获得最优参数,然后再对测试集进行训练获得分类超平面,最后输出分类结果。UCI数据库中9组数据集的实验结果表明:新算法提高了样本的分类准确率,在线性的情况下平均提高了2.19个百分点,在非线性的情况下平均提高了3.14个百分点,有效地提高了模型的泛化能力。

近似支持向量机对个人住房贷款信用风险预测

为了降低银行的放贷风险,在构建商业银行个人住房贷款信用风险评价指标基础上,采用机器学习原理中的近似支持向量机(Proximal Support Vector Machines,PSVM)模型对某商业银行西安市场的个人住房贷款借款人数据进行实证分析,研究中个人住房贷款借款人的各项指标作为属性矩阵,借款人是否违约作为判别矩阵,利用260个样本的训练集获得最优超平面,再对40个样本的测试集进行预测,结果表明PSVM模型在预测商业银行个人住房贷款信用风险时的正确率达到了87.5%.