关键词:
数据包络分析
前沿面分类方法
支持向量前沿
信用风险评估
摘要:
信用风险评估可以被视为一种不平衡的二分类问题.本研究进一步拓展了数据包络分析(Data Envelopment analysis,简记为DEA)前沿面在信用分析这一分类问题中的应用.针对现有研究中DEA前沿面分类方法的不足,如对异常值敏感,过度拟合以及未考虑各类别之间的偏好等问题,提出了一种相对混合支持向量前沿方法,以改进上述不足并进一步提高分类表现,从而更好地识别违约类样本.通过在发放银行贷款的信用风险分析数据集以及台湾某银行信用卡客户违约数据集上的验证,结果表明:1)所提出的相对混合支持向量前沿分类方法在分类性能方面具有竞争力,至少不劣于DEA前沿面分类方法.2)相对混合支持向量前沿分类方法能在一定程度上解决DEA型前沿面的过度拟合问题.3)相对混合支持向量前沿分类方法受不平衡数据集影响较其他经典分类模型小且能更好地识别少数类.同时,本研究为机器学习与前沿分析交叉领域的发展提供一定的理论参考价值.