信用评分模型中拒绝推断问题研究:基于半监督协同训练法的改进

随着我国金融市场的蓬勃发展,信用评价中的拒绝推断问题越来越受到重视。针对信用评分模型中存在的有类别标签的样本占比低,并且样本中的类别分布不平衡等问题,本文在半监督学习技术与集成学习理论的基础上,提出了一种新的算法——BCT算法。该算法通过使用动态Bagging生成多个子分类器,引入分类阈值参数来解决样本类别分布不平衡问题,以及设定早停止条件来避免算法迭代过程中存在的过拟合风险,以此对传统半监督协同训练法进行改进。通过在5个真实数据集上的实证分析发现,在不同数据集与不同拒绝比例下,BCT算法的性能均优于其他6种有监督学习和半监督学习算法的信用评分模型,显示了BCT算法具有良好的模型泛化性能和更高的模型评价能力。

掘金大数据要抓好“四个层次”

我们可以通过建立数据监控体系，掌握发生了什么、程度如何，做到“知其然”。具体来说，首先是要“观天”，观察行业整体趋势；再是要“知地”，了解竞争对手的表现；最后是要“自省”，自身做得怎么样了。在这一层上，分享两个观点：1．数据是散的，看数据需要建立分析框架。零碎的数据很难发挥出真正的价值，把数据放到一个有效的框架里，才能发挥整体价值。2．数据，有比较才有真相。判断某个指标增长快慢．需要选择正确的比较对象、参考系。也就是基准线。这个基准线可以是一个预先设定的目标，可以是同行业平均水平，也可以是历史的同期数据。