张志旺;何静;高广霞;田英杰 用于信用风险评估的稀疏多准则优化分类器。 （英语） Zbl 1418.91582号 软计算。 23，第9号，3053-3066（2019）. 总结：在过去的几十年中，提出了许多用于信用风险评估的分类器方法。随着数据量的不断增加，对于多准则优化分类器（MCOC）和其他传统分类方法来说，由于数据中不同特征之间的相关性，这些分类器的预测性能往往较差。因此，首先使用一些降维技术来发现重要特征；然后，这些分类器模型建立在简化的数据集上。然而，由于特征选择和分类是在不同的特征空间中进行的，因此难以真正达到提高预测精度和可解释性的目的。因此，研究同时进行分类和特征选择的新分类器方法对于提高预测精度和获得可解释的结果具有重要意义。本文分别基于单范数正则化、线性规划和非线性规划，提出了一种新的稀疏多准则优化分类器（SMCOC），并构造了相应的算法。信用风险评估的实验结果以及与线性和二次MCOC、logistic回归和支持向量机的比较表明，所提出的SMOC可以提高不同信贷申请人的分离度、信用评分效率、，风险评估模型的可解释性和新信贷申请人风险预测的泛化能力。 MSC公司： 91G40型 信用风险 90C29型 多目标规划 关键词：特征稀疏化;核函数;多准则优化;分类;信用风险 软件：阿波罗3 PDF格式BibTeX公司 XML格式引用 \textit{Z.Zhang}等人，《软计算》。23，编号9，3053-3066（2019；兹bl 1418.91582） 全文： 内政部 参考文献： [1] Alpaydin E（2010）《机器学习导论》，第2版。伦敦麻省理工学院出版社·Zbl 1191.68485号 [2] Baesens B，Egmont-Petersen M，Castelo R，Vantheenen J（2002）使用马尔可夫链蒙特卡罗搜索学习贝叶斯网络分类器进行信用评分。In:第16届模式识别国际会议（ICPR'02），第3卷，第49-52页 [3] Bastos J（2008）用增强的决策树进行信用评分。在线时间：http://mpra.ub.uni-muenchen.de/8034/MPRA第8034号文件 [4] Bekhet HA，Eletter SFK（2014）约旦商业银行信贷风险评估模型：神经评分法。Rev Dev财务4（1）：20-28·doi:10.1016/j.rdf.2014.03.002 [5] Bellotti T，Crook J（2009），支持向量机，用于信用评分和发现重要特征。专家系统应用36（2）：3302-3308·doi:10.1016/j.eswa.2008.01.05 [6] Bolton C（2009）Logistic回归及其在信用评分中的应用。比勒陀利亚大学论文 [7] Capotorti A，Barbanera E（2012）《使用模糊概率粗糙集模型的信用评分分析》。计算统计数据分析56（4）：981-994·Zbl 1243.62130号 ·doi:10.1016/j.csda.2011.06.036 [8] Chen R，Zhang Z，Wu D，Zhang-P，ZhangX，Wang Y，Shi Y（2011）使用基于粗糙集的多准则线性规划预测蛋白质相互作用热点。理论生物学杂志269:174-180·Zbl 1307.92075号 ·doi:10.1016/j.jtbi.2010.1021 [9] Cortes C，Vapnik V（1995）支持向量网络。马赫学习20:273-297·Zbl 0831.68098号 [10] Cristianini N，Shawe-Taylor J（2000）支持向量机和其他基于核的学习方法简介。剑桥大学出版社·Zbl 0994.68074号 ·doi:10.1017/CBO9780511801389 [11] Danenas P，Garsva G（2015）《信用风险领域基于支持向量机分类器的选择》。专家系统应用42（6）：3194-3204·doi:10.1016/j.eswa.2014.12.001 [12] Efron B，Hastie T，Johnstone I，Tibshirani R（2004）最小角度回归。安统计32:407-499·Zbl 1091.62054号 ·doi:10.1214/009053604000000067 [13] Fawcett T（2006）ROC分析简介。图案重新设计Lett 27:861-874·doi:10.1016/j.patrec.2005.10.010 [14] Freed N，Glover F（1981）判别问题的简单但强大的目标规划模型。欧洲运营研究杂志7:44-60·Zbl 0456.90075号 ·doi:10.1016/0377-2217（81）90048-5 [15] 高庚，张泽（2016）基于KFP-MCO分类器的分层语义图预测汉语构词模式。计算机语音语言39:29-46·doi:10.1016/j.csl.2016.01.005 [16] Gestel TV，Baesens B，Garcia J，Dijcke PV（2003）《信贷评分的支持向量机方法》。Bank en Financiewezen 2:73-82 [17] Glover F（1990）用于判别分析的改进线性规划模型。Decis科学21:771-785·doi:10.1111/j.1540-5915.1990.tb01249.x [18] Guyon I，Elissee A（2003）变量和特征选择简介。J Mach学习研究3:1157-1182·Zbl 1102.68556号 [19] Hamel L（2009）《支持向量机的知识发现》。霍博肯·威利·doi:10.1002/9780470503065 [20] Henley WE，Hand DJ（1996）用于评估消费者信贷风险的k近邻分类器。统计数字1:77-95 [21] Hosmer DW Jr、Lemeshow S、Sturdivant Rodney X（2013）应用逻辑回归。纽约威利·Zbl 1276.62050号 ·doi:10.1002/9781118548387 [22] Huang C，Chen M，Wang C（2007）基于支持向量机的数据挖掘方法的信用评分。专家系统应用33:847-856·doi:10.1016/j.eswa.2006.07.007 [23] Hussein AA（2009）《信贷评分的遗传编程：埃及公共部门银行案例》。专家系统应用36（9）：11402-11417·doi:10.1016/j.eswa.2009.01.076 [24] Jensen HL（1992）《使用神经网络进行信用评分》，《管理金融》18（6）：15-26·数字对象标识代码：10.1108/eb013696 [25] Kleinbaum DG，Klein M（2010）《逻辑回归：自学文本》。纽约州施普林格·Zbl 1194.62090号 ·doi:10.1007/978-1-4419-1742-3 [26] Lahsasna A、Ainon RN、The YW（2010）《使用软计算方法的信用评分模型：一项调查》。国际阿拉伯信息技术杂志7（2）：115-123 [27] Lando D（2004）《信贷风险建模：理论与应用》。普林斯顿大学出版社 [28] Liu H，Motoda H（2008）特征选择的计算方法。博卡拉顿CRC出版社·Zbl 1130.62118号 [29] Liu F，Hua Z，Lim A（2015）《识别未来违约者：分层贝叶斯方法》。欧洲运营研究杂志241（1）：202-211·Zbl 1338.91145号 ·doi:10.1016/j.ejor.2014.08.008 [30] Marinakis Y，Marinaki M，Doumpos M，Matsatsinis N，Zopounidis C（2008）通过元启发式算法优化最近邻分类器以进行信用风险评估。J Glob Optim杂志42（2）：279-293·Zbl 1279.90202号 ·doi:10.1007/s10898-007-9242-1 [31] Martens D，Baesens B，Van Gestel T，Vantheenen J（2007）使用支持向量机规则提取的可理解信用评分模型。欧洲运营研究杂志183:1466-1476·Zbl 1278.91177号 ·doi:10.1016/j.ejor.2006.04.051 [32] Nebojsa N、Nevenka Z、Djordje S、Iva J（2013）《蛮力逻辑回归在企业信用评分模型中的应用：塞尔维亚财务报表的证据》。专家系统应用40（15）：5932-5944·doi:10.1016/j.eswa.2013.05.22 [33] Ong C-S，Huang J-J，Tzeng G-H（2005）使用遗传编程构建信用评分模型。专家系统应用29（1）：41-47·doi:10.1016/j.eswa.2005.01.003 [34] Oreski S，Oreski G（2014）基于遗传算法的启发式算法用于信用风险评估中的特征选择。专家系统应用41（4）：2052-2064·doi:10.1016/j.eswa.2013.09.004 [35] Pavlenko T，Chernyak O（2010）使用贝叶斯网络的信用风险建模。国际智能系统杂志25（4）：326-344·Zbl 1231.91466号 [36] Raymond A（2007）《信贷评分工具包：零售信贷风险管理和决策自动化的理论与实践》。牛津大学出版社 [37] Robert T（1996）通过Lasso回归收缩和选择。J R Stat Soc系列B 58（1）：267-288·Zbl 0850.62538号 [38] Schebesch KB，Stecking R（2005）《信用评分的支持向量机：非标准案例的扩展》。主题：分类、数据科学和信息系统创新，第498-505页·Zbl 05243438号 [39] Shi Y（2010）基于多准则优化的数据挖掘方法和应用：系统综述。知识信息系统24（3）：369-391·doi:10.1007/s10115-009-0268-1 [40] Shi，Y。；怀斯，M。；罗，M。；Lin，Y。；Koksalan，M.（编辑）；Zionts，S.（编辑），《信用卡投资组合管理中的数据挖掘：多标准决策方法》，427-436（2001），柏林·兹伯利1027.90523 ·doi:10.1007/978-3-642-56680-6_39 [41] Shigeo A（2010）模式分类的支持向量机，第2版。柏林施普林格·Zbl 1191.68549号 [42] Sohn SY，Kim JW（2012）《创业公司基于决策树的技术信用评分：韩国案例》。专家系统应用39（4）：4007-4012·doi:10.1016/j.eswa.2011.09.075 [43] Stanczyk U，Jain LC（2015）数据和模式识别的特征选择。柏林施普林格·Zbl 1398.94014号 ·doi:10.1007/978-3-662-45620-0 [44] Steven F（2010）《信用评分、反应模型和保险评级：预测消费者行为的实用指南》。贝辛斯托克帕尔格雷夫·麦克米伦 [45] Thomas LC、Crook J、Edelman D（2002）《信用评分及其应用》。费城工业数学学会·Zbl 1001.91052号 ·数字对象标识代码：10.1137/1.9780898718317 [46] Tibshirani R、Saunders M、Rosset S、Zhu J、Knight K（2005）《通过融合套索实现的简约与流畅》。J R Stat Soc系列B 67:91-108·Zbl 1060.62049号 ·文件编号：10.1111/j.1467-9868.2005.00490.x [47] Vapnik VN（1998）统计学习理论。纽约威利·Zbl 0935.62007号 [48] West D（2000）神经网络信用评分模型。计算运营研究27:1131-1152·Zbl 0962.90004号 ·doi:10.1016/S0305-0548（99）00149-5 [49] Wiginton JC（1980）关于消费者信贷行为的logit和判别模型的比较的说明。《财务数量分析杂志》15:757-770·doi:10.2307/2330408 [50] Zhang Z，Shi Y，Gao G（2009）基于粗糙集的多准则线性规划方法在医疗诊断和预后中的应用。专家系统应用36（5）：8932-8937·doi:10.1016/j.eswa.2008.11.007 [51] Zhang D，Zhou X，Leung SCH，Zheng J（2010）信用评分的垂直装袋决策树模型。专家系统应用37（12）：7838-7843·doi:10.1016/j.eswa.2010.04.054 [52] Zhang Z，Gao G，Yue J，Duan Y，Shi Y（2014a）使用模糊化、核因子和惩罚因子预测蛋白质相互作用热点的多准则优化分类器。应用软计算18:115-125·doi:10.1016/j.asoc.2014.01.014 [53] Zhang Z，Gao G，Shi Y（2014b）使用具有核因子、模糊因子和惩罚因子的多准则优化分类器进行信用风险评估。欧洲运营研究杂志237:335-348·Zbl 1304.91235号 ·doi:10.1016/j.ejor.2014.01.044 [54] Zhang Z，Gao G，Tian Y（2015）具有模糊化和惩罚因子的多核多准则优化分类器，用于预测生物活性。基于知识的系统89:301-313·doi:10.1016/j.knosys.2015.07.011 [55] 邹H，Hastie T（2005）通过弹性网的正则化和变量选择。J R Stat Soc系列B 67:301-320·Zbl 1069.62054号 ·文件编号：10.1111/j.1467-9868.2005.005.x 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。