论文部分内容阅读
消费信贷的发展对于国家社会都有着很多积极意义,例如扩大内需、加快社会消费结构升级、改善银行资产结构和提高效益,但是缺乏科学高效的信用评估方法是制约消费信贷发展的重要问题。目前信用评估领域存在着单一分类模型难以同时兼顾高精确性和高稳健性,并且模型的使用受到样本地域性限制的问题,本文将引入组合分类思想,将Adaboost组合分类模型应用于这一领域,尝试解决上述问题。本文主要从精确性、稳健性和应用范围三个方面分析模型分类性能。本文对国内外文献从信用评估和组合分类两方面进行梳理,分析了组合分类的可行性。利用国内信用样本检验Adaboost组合分类模型的精确性和稳健型,利用国外样本对Adaboost组合分类模型的应用范围进行探讨。通过实证结果的比较可以看出,在模型的精确性和稳健性方面,Adaboost组合分类模型在精确性上的97.33%和稳健性上的0.47%两个方面均优于BP神经网络分类模型、决策树分类模型和Logistic回归分类模型,说明了Adaboost算法确实有改善单一模型应用中精确性和稳健性不能同时兼得的作用。另外非线性分类模型的精确性要优于线性分类模型,部分非线性分类模型的稳健性不如线性分类模型。在模型的应用范围方面,Adaboost组合分类模型在基分类模型的分类精度不高的情况下,发挥融合决策特点,提升分类模型性能明显。因此可以认为Adaboost组合分类模型具有较好的实用性和较广的应用范围,虽不能保证完全拟合当地信用样本数据,但相对于单一分类模型,尤其是分类性能较弱的分类模型,有较强的提升分类性能的作用。