[发明专利]基于支持向量机的信贷防伪方法

说明书

技术领域

本发明涉及数据分析技术领域，尤其涉及一种基于支持向量机的信贷防伪方法。

背景技术

实践中，贷款诈骗案屡屡发生，给银行造成了巨大的损失，贷款诈骗大多源于银行的不良放贷，发生贷款诈骗只是银行不良贷款的终极表现，而更多的问题是商业银行业务集中反映为贷款质量差，不良贷款比率居高不下。目前，几大国有银行这一比例平均高达两位数，严重影响了商业银行的正常运行，给银行和人民财产造成重大损失。

随着我国市场经济的不断发展和市场经济体制的不断深入，尤其是经济体制转轨、社会经济活动的扩张，及现代金融体制的形成，所要求的规范建立过程中必然伴随大量的失范现象，贷款诈骗行为的大量出现就是一个较为典型的例子，贷款诈骗犯罪严重扰乱了正常的金融秩序，同时还破坏了社会主义市场经济基础之一的社会信用机制。

信用诈骗分类问题可以看成是一个三类的分类问题，即正常、信用诈骗及疑似信用诈骗。相比于正常及信用欺诈，可疑性欺诈行为往往更加值得研究，因为，这一部分信用问题有可能成为真正的信用欺诈。

针对这类问题，传统多类支持向量机使用一对一、一对其他以及DAGSVM方法来对多类问题进行分类。其中，一对一和一对其他方法的泛化误差是无界的。并且，一对一和一对其它方法所需构造的子分类器的数量关于类别数k成超线性增长，共k(k-1)个，在测试阶段，必须计算所有的子判别函数预测结果，然后使用投票方法获得最终分类结果。这种方法不直观、不利用专家对问题的理解。另外，一对一方法中每个子分类器必须对数据进行规范化，这导致还有一个最明显的缺点就是，每个子分类器必须都要非常仔细地调整，如果某个子分类器不规范化，则整个分类系统将趋于过学习。DAGSVM方法解决了不可分区域问题，而且不一定要计算所有的子分类判决函数，但各个子分类器在有向无环图中的位置也会对分类系统产生较大的影响。由于信用诈骗数据的特殊性，这些方法构建出来的模型不易于理解、且性能不够理想，不适用于信用诈骗样例的分类。因此需要设计针对于信用诈骗数据集的分类方法。

发明内容

本发明为了解决现有技术问题，构建新的支持向量机模型，设计一种基于支持向量机的信贷防伪方法，该方法保证有效预测疑似信用诈骗样例的同时，准确地预测正常和信用诈骗样例。

本发明提供一种基于支持向量机的信贷防伪方法，包括：

步骤1，建立信用贷款变量的信息描述表；获取训练样本，根据所述信息描述表对训练样本进行处理，建立训练样本信息表；

步骤2，建立目标函数，并利用所述的目标函数将支持向量机分类策略和支持向量机回归策略合并，所述的目标函数为：

其中：

y_i(w·x_j)≥1-ξ_j，j＝l+1，L，l+m+n，

(w·x_i)-y_i≤1+ξ_i，i＝1，L，l，

ξ_j≥0，j＝l+1，L，l+m+n，

其中，w是超平面的参数，l是训练样本表中疑似信贷诈骗样本的数目，m和n分别是训练样本表中信用诈骗样本和正常样本的数目，C1是疑似信贷诈骗错误分类时的惩罚权重，C2是信用诈骗样例或正常样例错误分类时的惩罚权重；

步骤3，使用10折交叉验证确定参数C1和C2的取值：随机平均划分训练数据集为10折，对于每一折，其它折用于训练模型，该折用于测试训练到的模型的性能；平均每一折的结果得到模型最终的优泛化性能；设置C1和C2取值范围分别为[0.1，0.2，0.3，...，1.0]；对于具有最优泛化性能模型对应的C1和C2取值，

步骤4，设置在整体训练集上，使用迭代法训练最终模型，利用目标函数求解到的参数w；迭代过程用为：

其中w(k)为第k次迭代w的值，是目标函数在w(k)处的梯度，Hk表示第k次迭代目标函数的Hesse矩阵，其初始值H0为单位矩阵，Hk使用如下迭代方法计算：

其中p^(k)＝w^(k+1)-w^(k)，

步骤5，利用步骤1的信息描述表处理预测样本x’，计算支持向量机的输出函数y＝wx’+b，进而模型预测与预测样本x’关联的类标号为：

优选的，在步骤1中，所述的信息描述表将信用贷款变量的类型分为类别、数值、二元或离散。