基于GA-K2算法的貝葉斯網(wǎng)絡研究及在個人信用評估的應用.pdf

1、自人類社會進入大數(shù)據(jù)、移動互聯(lián)網(wǎng)時代以來，各行各業(yè)每天都被形形色色的海量數(shù)據(jù)所充斥。為了從大量數(shù)據(jù)中獲取有用信息，各種各樣的數(shù)據(jù)挖掘算法便產生了。貝葉斯網(wǎng)絡作為一種數(shù)據(jù)挖掘算法，通過有向無環(huán)圖和條件概率表形象地反映了變量之間的相互依賴關系，是一種研究不確定性知識的圖形推理方法。由于貝葉斯網(wǎng)絡擁有較強的貝葉斯理論基礎以及容易理解的圖形模式，在很多領域都得到了廣泛的應用。在個人信用評估中，如何通過大量的消費者信息數(shù)據(jù)來評估個人信用，以此對消

2、費者進行分類，已經(jīng)成為銀行等金融機構十分關注也十分重視的問題。一個好的信用評估模型能使銀行的信貸業(yè)務正常運轉，促進經(jīng)濟增長。因此本文結合德國和澳大利亞信用數(shù)據(jù)將貝葉斯網(wǎng)絡分類模型用于個人信用評估方面。
　　本文考慮貝葉斯網(wǎng)絡結構學習算法中經(jīng)典的K2算法難以確定輸入節(jié)點順序的問題，利用遺傳算法（GA）的全局尋優(yōu)能力并將其與K2算法相結合，構造了以分類準確率為目標的GA-K2算法。以德國和澳大利亞信用數(shù)據(jù)集作為仿真對象，運用GA-K2

3、算法構造的貝葉斯網(wǎng)絡模型對個人信用進行評估。首先采用基于信息熵的Fayyad離散化方法將連續(xù)屬性進行離散化處理；然后運用K-折交叉驗證的方法將整個數(shù)據(jù)樣本平均分為10份，取10次測試結果的平均值作為最終的結果評估模型的性能，以規(guī)避隨機性問題；最后將兩個數(shù)據(jù)集的結果都分別與貝葉斯相關模型，神經(jīng)網(wǎng)絡相關模型，支持向量機相關模型以及其他模型（K-近鄰，logistic，分類回歸樹，決策樹）的分類準確率進行比較。結果顯示本文算法構造的貝葉斯網(wǎng)絡

4、分類器的分類準確率在德國信用數(shù)據(jù)集中，最高準確率可達82％，平均值達到78.5%；在澳大利亞信用數(shù)據(jù)集中，最高準確率可達94.2%，平均值達到91.16%，較其他算法高，并且在澳大利亞信用數(shù)據(jù)集中獲得了最低的第一、第二類誤分率。這充分說明本文算法構造的貝葉斯網(wǎng)絡分類器的優(yōu)越性。
　　本文算法將分類準確率作為目標，將模型結構學習、參數(shù)學習、推理分類看作一個整體來進行優(yōu)化。這不僅解決了 K2算法中輸入節(jié)點的順序問題，優(yōu)化了網(wǎng)絡結構及參