郭天添，高 尚

（江苏科技大学 计算机学院，江苏 镇江 212100）

0 引言

当代社会信用消费增长迅速，不仅仅是个人信用贷款，不少企业也需要进行贷款。因此，为了满足经济发展的需求，对于个人甚至是企业的消费能力、社会履约能力和信誉程度进行全面信用评估是必不可少的。信用评估的发展大致经历了3 个阶段，依次是专家分析、统计分析和人工智能［1］。一些机构和学者研究了行业竞争、管理、政策等因素，并将改进的统计学、人工智能等技术应用于信用评估以构建信用风险评估体系，并将历史经验与科学实证相结合，目前已逐渐研究出一系列信用评估方法和模型［2］。如今，科学的信用评估方法作为风险评估工具已被社会认可并得到广泛应用。

应用统计分析知识建立的信用评估模型非常多，最常见的包括判别分析（DA）、Logistic 回归（LR）以及分类树（CT）等，虽然利用这些模型进行信用评估成本低，也较为快速，但若是变量之间的线性关系不足，则模型的准确度不高。随着时代的进步和科技的发展，一些人工智能方法如决策树（DT）、支持向量机（SVM）、人工神经网络（ANNS）、贝叶斯分类器（BC）、模糊规则系统以及集成学习模型等［3-9］已被用来建立准确且稳定的信用风险评估系统［10］。例如文献［3］通过将分类树方法引入信用评估模型，利用分类树对申请信誉贷款的人进行分类。分类树方法充分利用先验信息处理申请人各项数据，从而有效对数据进行分类，可在最大程度上保证被分到同一类别的申请人都具有相似的违约风险，并尽量使每个类别的违约风险程度不同。……