个人信用评估组合模型的构建——基于决策树-神经网络的研究

本文以德国某商业银行的真实客户信用数据为样本，将决策树方法应用于个人信用指标的筛选过程中，并与BP神经网络模型相结合构建成一个两阶段组合模型。研究表明，基于决策树一神经网络构建的个人信用评估组合模型对于测试样本的分类预测精度高于单一BP神经网络模型的分类预测精度。组合模型对于测试样本的总正确率平均值为75．45％，高出单一BP神经网络模型的总正确率近3个百分点。基于信息熵增益率分类原理的最优决策树挑选指标方法能合理去除非重要属性指标的干扰，使真正有效的属性指标输入神经网络主模型，提高模型分类预测的精准度。