[发明专利]基于BP_Adaboost模型的信用卡用户违约的预测方法及系统

摘要

本发明提供一种基于BP_Adaboost模型的信用卡用户违约的预测方法及系统，包括获取信用卡用户的属性数据，并进行归一化处理，得到训练样本集和测试样本集；初始化训练样本的分布权值，确定BP神经网络结构，初始化BP神经网络的参数；利用训练样本，训练T个BP神经网络弱分类器；根据T个弱分类器得到强分类器，即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。本发明的基于BP_Adaboost模型的信用卡用户违约的预测方法及系统根据银行信用卡用户的历史信用信息进行数据分析、训练，建立BP_AdaBoost模型，提升了信用卡用户违约预测的准确度。

主权项

一种基于BP_Adaboost模型的信用卡用户违约的预测方法，其特征在于：包括以下步骤：获取信用卡用户的属性数据，所述信用卡用户的属性为信用卡用户的信用评价指标；对信用卡用户的属性数据进行归一化处理，并将归一化后的每个用户的属性数据作为一个样本，将所有样本分为训练样本集和测试样本集；初始化训练样本的分布权值D1(i)＝1/m，m为训练样本总数，i＝1,2...m表示训练样本序号，根据训练样本输入、输出维数确定BP神经网络结构，初始化BP神经网络的权值、阈值、学习精度、最大迭代次数、学习率；第t次迭代时，利用m个训练样本训练BP神经网络弱分类器ft；根据BP神经网络弱分类器ft预测训练样本得到的预测序列gt，计算预测误差和其中i为gt(xi)≠yi时所对应的训练样本序号，xi为m个训练样本中第i个样本点；gt(xi)为BP神经网络弱分类器ft对样本点xi的预测分类结果；yi为BP神经网络弱分类器ft对样本点xi的期望分类结果；根据预测序列的预测误差和et计算预测序列的权重根据预测序列的权重at调整下一轮训练样本的分布权值为i＝1,2...m，其中Bt是归一化因子；利用m个训练样本迭代训练BP神经网络弱分类器，迭代T次后得到T个BP神经网络弱分类器；T为自定义参数；根据T个弱分类器得到强分类器即用于信用卡用户违约预测的BP_Adaboost模型，以根据信用卡用户的属性数据预测是否会违约。