自適應KNN分類算法及其在個人信用風險評估中的應用.pdf

1、參數k值的合理選取是KNN算法設計中的一個難點問題。目前k值一般憑經驗選取，而且傳統(tǒng)的KNN算法中所有的測試樣本都用一個k值，這對于分布不均勻的樣本來說顯然是不合理的，可能會降低分類的正確率。個人的信用問題是貸款違約的主要原因，建立有效的個人信用風險評估系統(tǒng)能降低銀行的投資風險。為有效評估個人的信用風險，越來越多的學者開始把數據挖掘技術與個人的信用風險評估結合起來，設計或開發(fā)基于數據挖掘的個人信用風險評估模型，但在針對個人信用信息的自適

2、應挖掘方面的研究還缺乏應有的成果。本文主要研究的是自適應KNN分類算法及其在個人信用風險評估中的應用。
　　本文完成的主要工作如下:
　　(1)針對KNN算法中k值需要提前設定而且是固定的缺點，提出一種基于局部密度和純度的自適應KNN分類算法，該算法綜合考慮測試樣本的局部密度以及最大類所占的比重，測試樣本選擇可信度高的k值，使得測試樣本的k值是通過學習樣本的相關性得到的，而不是人為設定的，對于不同的測試樣本選取的k值也不固定

3、，從而提高了分類的正確率。算法可以用于無法通過經驗或者需要長時間實驗選取k值的情況，在一定程度上減少選取k值的時間。
　　(2)在個人信用風險評估模型中，引入KNN分類算法?？紤]到評估個人信用時，樣本的每個屬性所占的地位不同，可能有的特征對信用影響比較大，有的特征對信用的影響不大。對特征屬性加權，提出一種改進的特征屬性加權的KNN分類算法，然后將k值自適應的加權KNN分類算法應用于個人信用風險評估中，實驗結果表明本文提出的算法對于