|
面向高维特征和类别分布不平衡的信用风险评估研究——基于复数值极限学习机集成视角
贾堰林, 曾志豪, 黄满翎, 杨雁, 王亚东, 肖进
2026 (10):
79-90.
摘要
(
1 )
PDF(2235KB)
(
1
)
复数值神经网络已成功用于解决类别分布不平衡的信用风险评估问题,但这些研究仅在低维特征数据上进行建模,难以同时解决人工智能时代类别分布不平衡和高维特征数据问题。为此,本文引入具有更快学习速度的复数值极限学习机,并将其与重抽样技术、集成学习、多属性决策等方法有机结合,构建基于最优重抽样选择策略的信用风险评估复数值极限学习机集成模型,其中采用熵权TOPSIS方法选择最适合的重抽样技术。在两个高维不平衡的信用风险评估数据集上进行实证分析发现,在九种重抽样技术中,随机欠采样是最适合复数值极限学习机集成建模的;全特征建模的评估优于采用降维技术的评估;进一步,基于随机欠采样的复数值极限学习机集成模型的信用风险评估性能优于四种单一模型和五种集成模型。
参考文献 |
相关文章 |
计量指标
|