许义仿 陈晋 李林 张波 司思思

摘要：因为金融数据存在海量、高维度、非线性的特点，所以如何选择原始数据中的本质特征关系到分类器的精度。本文提出了一种基于Isomap算法的朴素贝叶斯分类器。该算法的核心本质是对高维大样本的金融数据运用Isomap算法进行降维处理，进而在此基础上运用朴素贝叶斯分类算法进行分类。选取1069家公司的财务指标数据进行实证分析，结果证明该分类器的预测准确率优于朴素贝叶斯分类器。

关键词：Isomap;朴素贝叶斯;信用风险评估

中图分类号：TP311      文献标识码：A

文章编号：1009-3044（2021）35-0125-02

1 引言

信用评估指的是信用评估机构使用专家判断和数学分析方法， 对企业或个人履约各种承诺能力、详细评价其信誉程度， 并用简洁的文字或符号表达出来，进而满足赎回需要的市场行为。

鉴于此，本文在现有的研究基础上针对非线性、高维度的财务数据提出了基于Isomap的朴素贝叶斯（ISOMAP-NB）信用评估模型， 把数据降维当成数据预处理中的一步，简化了朴素贝叶斯分类模型的结构， 并选取了1069家企业的财务指标数据集进行实证研究，结果证明该模型好于朴素贝叶斯分类模型，在企业信用预测方面提高了预测的准确率。

2 ISOMAP-NB模型

2.1 Isomap 算法

Isomap算法是在多维尺度变换（MDS）的根基之上，力图保持数据点的内在几何性质，也就是说保持2点间的测地距离。

Isomap算法步骤如下[1]：

步骤1 算出样本点之间的欧氏距离矩阵， 构建邻域关系图[GV，E]，对每个[xi（i=1，2，...，N）]计算其[k]近邻[xi1，xi2，…xik]， 记为[Nj]， 以点[xi]为定点， 欧氏距离[d（xi，xij）]为边， 建立邻域关系图[GV，E]。……