机器学习分类算法在企业信用评价中的应用

内容摘要2

1绪论3

1.1研究背景3

1.2研究意义3

1.3研究现状3

1.4研究内容4

2机器学习经典分类算法4

2.1贝叶斯算法4

2.2邻近算法5

2.3决策树算法5

2.4支持向量机算法5

2.5分类算法比较分析5

3基于SVM的企业信用评价模型6

3.1信用评价的一般方法6

3.2SVM与企业信用评价结合的探讨6

3.3企业信用评价的指标体系6

3.4SVM企业信用评价模型9

4模拟实验及分析9

4.1模拟数据源9

4.2支持向量机建模10

4.3实验结果分析11

5总结与展望11

5.1本文的主要贡献11

5.2对今后工作的展望11

参考文献13

内容摘要

企业在我国国民经济和社会发展中处于重要地位，但企业的发展离不开融资，如果能建立一套行之有效的企业信用评价方法，将在很大程度上解决银企之间的信息不对称问题，既能缓解企业的融资困境，又可以降低银行贷款风险。

目前而言，我国企业信用评价水平不高，容易导致评价结果并不能准确反映真实的信用水平，在一定程度上制约着企业的健康发展。近年来，研究者对企业信用评价方法进行了诸多探索，取得了一系列的研究成果，也积累了很多成功经验。本文尝试将机器学习分类算法应用于企业信用评价中，以提供一种新的思路和途径。

本文首先调研了贝叶斯、KNN、决策树、KVM等经典机器学习分类算法，并有针对性地进行了横向比较分析，得出利用支持向量机的泛化能力将其应用于企业信用评价的思路。其次，对传统信用评价方法和评价指标进行调研总结，结合企业信用评价的实际需求和特点，针对性地选取出12项定量评价指标，形成企业信用评价的指标体系，并在此基础上设计了一种基于SVM算法的企业信用评价模型。最后，构建了支持向量机实验模型，通过与BP神经网络的评价方法相比较，验证了SVM算法在信用评价方面的优势。

关键字：企业信用评价，机器学习，分类算法，支持向量机