论文1：神经网络和支持向量机进行信用风险评估

Artifificial Intelligence for Credit Risk Assessment: Artifificial Neural Network

and Support Vector Machines

及到的技术：皮尔斯检验、逐步回归、支持向量机、核函数、ANN。

研究问题：利用AI模型预测突尼斯银行贷款人信用风险的能力，主要是二分类问题。

研究方法：

     逻辑回归模型

     神经网络

     SVM支持向量机

研究结果：SVM中RBF核支持向量机对贷款人的信用决策是最有效的。

---

问题来源：不良贷款数目增加；数据量变大

实验过程：

1、利用皮尔斯检验25个自变量的相关性，相关系数阈值为0.8。如果变量间相关系数绝对值大于0.8，也就代表可以删除其中一个变量。利用R软件的eta2()实现。

2、利用逐步回归方法自动选择变量，然后用优化准则对模型进行评估。利用R软件的Stepwise procedure程序实现。

3、准备训练集和测试集。

4、三种技术

      4.1逻辑回归（2022.9.17 不明白）

           

         4.2神经网络

         输入层：14个神经元，对于14个最终的自变量。

         隐藏层：7个神经元，仅一层。

         输出层：一个神经元，输出分类的结果。

        4.3支持向量机

       通过最大化训练数据X中超平面与支持向量之间的距离来寻找超平面参数。从低维的非线性转到高维的线性问题。

---

SVM的关键在于核函数，解决低维空间映射到高维空间带来的复杂度问题，下图是4种不同的核函数。

 5.性能评价指标

         5.1混淆矩阵

 

          具体解释见下面笔记。

      5.2ROC曲线