針對支持向量機(SVM)進行信用風險評估存在模型參數難以確定的問題,本研究引入了混合蛙跳算法(SFLA)來優化SVM的超參數,并使用SFLA-SVM模型對個人信用風險進行評估,同時將該模型的評估結果分別與經網格法和遺傳算法優化的SVM超參數評估結果進行對比。結果表明,基于SFLA-SVM的個人信用風險評估模型擁有更好的信用評估性能。

【文章頁數】：2 頁

【部分圖文】：

圖1SFLA迭代曲線

實驗目標函數為尋找最優分類準確率(CVA),CVA越高，最佳適應度越大。圖1為SFLA迭代曲線圖，當SFLA進化到第10代時，此時誤差達到最小，為8.6,CVA最高，蛙群中最佳適應度已經穩定在最大值。此時取得SVM最優C和g參數為47.5965和23.9250，其對應最優CV....

圖2SFLA優化(C,g)的搜索位置圖

運用SFLA對SVM超參數進行尋優，取得了最優超參數組(C,g)，并與訓練樣本建立了基于SFLA-SVM的個人信用風險評估模型。為了檢驗該模型的性能，用該模型對測試樣本進行了測試，測試準確率為90%。為了驗證SFLA-SVM模型的優越性，保持實驗數據不變，分別采用網格搜索法(Gr....

本文編號：3996302