基于极限学习机的智能信用分类方法研究
摘要
随着人们生活水平的不断提高，消费观念也逐渐发生改变，银行贷款、信用卡消费
以及网贷人群明显增多，超前消费已成为一种人们普遍的生活方式。面对这种情况，金
融机构对借款人的信用进行风险评估是必不可少的环节，一个好的信用分类模型将有助
于金融机构更准确地把控风险，减少坏账损失，提高业务效率和盈利能力。对于整个金
融市场来说，信用分类也有利于保护消费者权益、促进金融市场的稳定发展。
针对目前现有的信用风险评估模型准确率不高、AUC值较低等问题，提出BSCB-
ELM信用分类模型，该模型先通过W-BS算法完成数据的配平加权处理，再通过将卷积
神经网络和Bagging算法融合到极限学习机中完成强分类器的构建，合力提升BSCB-
ELM信用分类模型的预测准确率和AUC值等指标。
首先，在数据配平加权处理阶段，大多数模型虽然通过新增少数类样本来改善数据
不平衡问题，但未考虑到新生成数据与原始数据的真实性存在差异的问题，直接将两类
数据混为一谈输入到训练模型当中。为了提高数据预处理质量提出了W-BS算法，将原
始数据与新生成的数据作区分，并将其赋予不同的权重，从而降低新生成的数据对模型
预测产生的影响。
其次，在信用分类阶段，提出了将卷积神经网络、Bagging算法与极限学习机相融
合的强分类器构建方法，旨在解决单分类模型预测结果不准等问题。
最后，在标准信用数据集上对BSCB-ELM模型进行验证，将预测准确率、错误率、
AUC值等作为模型评价指标，通过对比实验，BSCB-ELM模型在准确率等多项指标上
均表现良好，从而验证了BSCB-ELM模型在处理信用分类问题上的优越性。
关键词：信用分类；BSCB-ELM模型；极限学习机；数据配平加权处理；卷积神经网络
基于极限学习机的智能信用分类方法研究
Abstract
Withthecontinuousimprovementofpeopleslivingstandards,theconceptofconsumption
hasalsograduallychanged.Thenumberofbankloans,creditcardconsumptionandonline
loanshasincreasedsignificantly,andover-consumptionhasbecomeacommonwayoflife.To
addressthissituation,itisessentialforfinancialinstitutionstoassessthecreditriskof
borrowerscredit.Agoodcreditclassificationmodelwillhelpfinancialinstitutionscontrolrisks
moreaccurately,reducebaddebtlosses,andimprovebusinessefficiencyandprofitability.For
theentirefinancialmarket,creditclassificationisalsoconducivetoprotectingconsumerrights
andpromotingthestabledevelopmentofthefinancialmarket.
AimingattheproblemsoflowaccuracyandlowAUCvalueoftheexistingcreditrisk
assessmentmodels,weproposetheBSCB-ELMcreditclassificationmodel.RelyingonW-BS
algorithmtocompletedatabalancingandweightingprocessing,