《表2 信用评价模型的效果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于协同分析的跨业务信用评价方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

选择两种广泛应用在信用评价问题中的智能学习算法，SVM和DT，作为Adaboost集成算法的基分类器，构建集成信用评价模型，并用以检验跨业务特征在信用评价过程中的作用。在基于Adaboost的集成支持向量机模型中（Ada+SVM），分别运用RBF和Poly核函数构建评价模型；在基于Adaboost的集成决策树模型中（Ada+DT），分别运用GainRate(GR）和Gini分裂规则构建评价模型。实验结果如表2所示。由表2可知，总体上，加入跨业务信用特征（Fa+Fb）所构建的信用评价模型比单纯依靠借贷业务信用特征（Fa）构建的信用评价模型具有更好的分类效果。仅有当使用GainRate分裂规则构建集成决策树模型时，加入跨业务信用特征使得第一类错误（Type I）的比例略微上升（0.321>0.319），然而第二类错误（Type II）的比例仍下降明显。由于第二类错误的误分类成本更大，因此加入跨业务信用特征仍使得该模型的整体犯错代价显著降低。该模型的AUC值也表明，加入跨业务信用特征使得分类的整体效果更好（0.701>0.688）。