發(fā)布時間：2025-03-30 00:25

　　征信市場是社會主義市場經(jīng)濟體系不可分割的一部分,近年來,隨著大數(shù)據(jù)技術(shù)的迅猛發(fā)展,我國的個人信用評估行業(yè)進入新的階段。其中,基于移動電信數(shù)據(jù)進行個人信用的評估是目前研究的熱點之一。為了更好的對維度眾多的移動電信數(shù)據(jù)進行降維處理,本文研究了經(jīng)典的特征選擇算法ReliefF算法,并在其基礎(chǔ)上基于kd-tree算法與互信息進行了優(yōu)化,創(chuàng)造性地提出了IRfF(Improved ReliefF)算法。進一步地,本文對IRfF算法的性能進行了仿真檢驗。隨后針對移動電信信用評估這一具體應(yīng)用場景,參考FICO模型將實驗數(shù)據(jù)集中的全部特征劃分為6個維度。對實驗數(shù)據(jù)集進行了數(shù)據(jù)清洗、數(shù)據(jù)離散化以及數(shù)據(jù)標(biāo)準(zhǔn)化處理并基于IRfF算法完成了特征選擇。在此基礎(chǔ)上,基于統(tǒng)計學(xué)方法分析各維度典型特征與用戶信用的關(guān)系,基于K-means聚類方法進行探索性的數(shù)據(jù)挖掘。在完成對實驗數(shù)據(jù)集的數(shù)據(jù)預(yù)處理以及特征降維處理后,本文進行了個人信用評估模型的搭建。在搭建過程中,借鑒了傳統(tǒng)金融申請評分卡的相關(guān)思想,使用了邏輯回歸、支持向量機、BP神經(jīng)網(wǎng)絡(luò)以及Xgboost算法從全維度特征以及各分維度特征分別建立機器學(xué)習(xí)模型,并比較各模型訓(xùn)...

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1一1近3年移動電話用戶數(shù)變化趨?

終端數(shù)據(jù)?移動終端型號、終端檔位、變更情況等??位置數(shù)據(jù)?移動電話的實時位置信息???賬單數(shù)據(jù)用戶每月的消費情況，如消費金額、消費的套餐種類等??話單數(shù)據(jù)?主叫號碼、被叫號碼、通話時長、起止時間等??通信數(shù)據(jù)?用戶使用語音、短信、彩信業(yè)務(wù)的時長、次數(shù)等??上網(wǎng)數(shù)據(jù)｜?用戶使用移動....

圖１－３?ＦＩＣＯ評分的五個維度及其權(quán)重??除了這五個維度占有不同的權(quán)重外，每個維度內(nèi)部不同的事件對評分的影響??

表用戶信用越好。進一步地，ＦＩＣＯ的信用評估主要使用了用戶五個維度的數(shù)據(jù)：??信用償還歷史（３５％）、信用賬戶數(shù)（３０％）、使用信用的年限（１５％）、新開立的??信用賬戶（１０％），正在使用的信用類型（１０％），如圖１－３所示。??正在使用的信用類型??１０％?．．償還歷史??信....

圖１－４?ＺｅｓｔＦｉｎａｎｃｅ信用評分換型??另外，ＺｅｓｔＦｉｎａｎｃｅ的評分模型也會不斷更新完善，包括更新個人信用評估??模型、增加新的數(shù)據(jù)源等

結(jié)合目前飛速發(fā)展的的大數(shù)據(jù)存儲與處理技術(shù)，使用超過７００００個特征變量，搭??建了?１０多個機器學(xué)習(xí)子模型，在此基礎(chǔ)上使用集成學(xué)習(xí)策略進行集成，最終得??到個人的信用評分，如圖１－４所示??大數(shù)據(jù)??數(shù)據(jù)特征???Ｉ???ＦＩ?１Ｆ２?Ｆ３???Ｆ—７００００???Ｉ???身份驗....

圖２－２ＩＲｆＦ流程圖??２．４?ＩＲｆＦ算法仿真及性能分析??為了更加全面準(zhǔn)確地檢驗ＩＲｆＦ算法的性能，本節(jié)基于ｐｙｔｈｏｎ編程對其進行??

冗余特征的缺陷，而原始ＲｅｌｉｅｆＦ算法是ＩＲｆＦ算法的一個特殊情況（ａ?＝?０），傳??統(tǒng)的將特征冗余性計算與分類性能分開計算的改良方法同樣是ＩＲｆｆ算法的一個??特殊情況（ａ?＝?〇〇），進一步地ＩＲｆＦ算法的流程如圖２－２所示。????Ｌ．??ｒ?＼?／?＼??幵始一?結(jié)束....

本文編號：4037889