基于BP神經(jīng)網(wǎng)絡與半監(jiān)督學習的網(wǎng)貸平臺信用評估模型.pdf_第1頁
已閱讀1頁,還剩79頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、中國互聯(lián)網(wǎng)金融網(wǎng)貸平臺增長勢頭繼續(xù)高歌猛進,與此同時,爆出問題的“跑路”平臺越來越多,網(wǎng)貸平臺自身的信用成為阻礙其發(fā)展的最大障礙?,F(xiàn)有的網(wǎng)貸平臺征信與信用評估服務主要面向用戶,而缺乏平臺自身的信用評估體系。本文的目標是針對網(wǎng)貸平臺建立科學有效的信用評估體系。
  對此,本文根據(jù)網(wǎng)貸平臺評估指標數(shù)據(jù)獲取人工和時間成本過高的現(xiàn)狀,提出了基于自動化抓取網(wǎng)絡公開數(shù)據(jù)的信用評估指標體系,包括基本信息指標、動態(tài)數(shù)據(jù)指標、訪問平臺數(shù)據(jù)指標?;?/p>

2、網(wǎng)貸平臺信用標簽數(shù)據(jù)缺失并且難以獲取權威結果的現(xiàn)狀,本文提出用半監(jiān)督學習的方法代替以往線性回歸和監(jiān)督學習的方法,充分利用無標簽數(shù)據(jù)來提高評估模型的預測準確性。本文自動化抓取了169家網(wǎng)貸平臺的31個指標數(shù)據(jù),將其作為模型的輸入,選取中國社科院金融研究所發(fā)布的23家平臺評級結果作為標簽,并將其作為模型的輸出。運用協(xié)同訓練的方法,首先初始化兩個不同參數(shù)的BP神經(jīng)網(wǎng)絡回歸模型,找到標記置信度最高的無標簽對象,即染上標簽后能減小預測模型的均方誤

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論