文件名称：不同特征选择和机器学习方法的信用评分模型研究-研究论文
文件大小：994KB
文件格式：PDF
更新时间：2024-06-08 12:50:57
Credit scoring F-measure False positive
当前的计算工作集中在信用评分上。 通过使用不同的特征选择方法和机器学习分类器，已显示出信用评分模型的改进。 在本文中，我们对不同的机器学习分类器（例如贝叶斯，朴素贝叶斯，SVM（支持向量机），决策树，随机森林）进行了比较分析，并且用于分析的特征选择技术是卡方，信息-增益和增益比。 考虑了不同的度量标准来分析模型的性能（例如误报率，F度量和训练时间）。 经过分析，找到了最佳分类器和特征选择算法。 在这项研究中，就良好的性能准确性和低的误报率而言，发现随机森林和信息增益的组合在所有其他方法中是最好的。 但是，这种组合的训练时间更多。 SVM的结果与随机森林相当。