信用評分模型中拒絕推斷問題研究:基于半監(jiān)督協同訓練法的改進

摘要：隨著我國金融市場的蓬勃發(fā)展,信用評價中的拒絕推斷問題越來越受到重視。針對信用評分模型中存在的有類別標簽的樣本占比低,并且樣本中的類別分布不平衡等問題,本文在半監(jiān)督學習技術與集成學習理論的基礎上,提出了一種新的算法——BCT算法。該算法通過使用動態(tài)Bagging生成多個子分類器,引入分類閾值參數來解決樣本類別分布不平衡問題,以及設定早停止條件來避免算法迭代過程中存在的過擬合風險,以此對傳統半監(jiān)督協同訓練法進行改進。通過在5個真實數據集上的實證分析發(fā)現,在不同數據集與不同拒絕比例下,BCT算法的性能均優(yōu)于其他6種有監(jiān)督學習和半監(jiān)督學習算法的信用評分模型,顯示了BCT算法具有良好的模型泛化性能和更高的模型評價能力。