基于神经网络的数据挖掘技术对民营企业信用评级研2究_

科学论坛　

啊Ｉ　

基于改进ＢＰ神经网络算法的数据挖掘技术的研究　

韩刚杨亮　

（中国矿业大学计算机科学与技术学院２２１１１６）　

［摘　要］本文主要介绍数据挖掘技术的概念、过程和ＢＰ神经网络算法的原理，研究如何将ＢＰ神经网络与数据挖掘技术相结合，从海量数据中挖掘出潜在　有用价值的信息，阐述了数据挖掘技术与神经网络结合的关键技术和实现方法，并提出一种改进的ＢＰ神经网络算法以实现有用模式的挖掘，能大大缩短训练时问　

和提高挖掘精度。　

［关键词］数据挖掘神经网络ＢＰ算法　中图分类号：ＴＳ２６２．５　文献标识码：Ａ　文章编号：１００９—９１４Ｘ（２０１０）３１　００５７　０２　

１数据挖掘技术　

数据挖掘技术　（Ｄａｔａ　Ｍｉｎｉｎｇ　Ｔｅｃｈｎｏｌｏｇｙ）是运爿ｊ基于计算机的方法，　包括新技术，从而在大量的数据中获得有效的、潜在有用价值的、最终可理解　

的模式的非平凡过程。应用数据挖掘技术到数据处理中，可以提高数据处理效　

率、发现数据之间存在的关系，改变目前数据分析人员更多地依赖自身的直　觉和经验来进行判断的局面，为企业带来利益，或为科学研究寻找最佳解决　

方法。　

２数据挖掘过程　数据挖掘是一个从已知数据集合中发现各种模型、概要和导出值的过　

程。这个过程主要包括以下步骤：数据收集与整理、数据挖掘、模式评估、　

解释模型并评价，如图ｌ示，数据挖掘的过程主要由以Ｆ部分组成：　（１）数据收集与整理：根据要解决的问题，获取要挖掘的数据源，确定用于　

数据挖掘的数据子集，建立数据挖掘库，如果原来数据仓库满足数据挖掘要求，　

就可以此数据仓库作为数据挖掘库。　（２）数据挖掘：由于源数据可能不完全、有噪声、随机，就要对数据做清　

洗，选择与数据挖掘有关的变量，或转变变量。　

（３）模式评估：根据挖掘的目的和挖掘的特征选择合适的模型。　

（４）解释模型并评价：根据最终用户的要求对数据挖掘的信息进行评价，选　

出最优模式。对于存在冗余或无关的模式将其删除：对于不能满足用户要求　的模式，则需要退回上一阶段重新进行建模。　

基于人工神经网络的企业绩效评估方法及其应用研究

随着中国市场的不断发展，企业绩效评价成为了企业管理不可或缺的一部分。而基于人工神经网络的企业绩效评估方法，可以更加准确地帮助企业了解自身的优势和劣势，为企业发展提供指导，成为了当前热门的研究方向。

一、人工神经网络简介

人工神经网络是模拟生物神经网络的计算模型，它由许多简单的神经元组成，这些神经元像传统逻辑门一样相互连接，可以对输入数据进行处理并输出结果。人工神经网络可以学习和适应新数据，具有强大的自适应能力，是目前进行预测和分类的优秀工具。

二、基于人工神经网络的企业绩效评估方法

基于人工神经网络的企业绩效评估方法首先需要以企业为研究对象，从财务指标、市场指标和管理指标等多方面收集相关数据，构建一套完整的数据集。在这个过程中，考虑到数据的质量和实用性，需要严格筛选和验证数据的真实性和可靠性。

接下来，采用BP神经网络模型对所得到的数据进行训练。训练模型的目的是更好地描述数据之间的联系和影响，并优化模型的各项指标。这个过程中，需要进行多次训练、测试和调整，以达到最优化的结果。

最后，将训练好的模型应用到实际的企业绩效评估中，计算出企业的指标值，并进行评估和分析。评估结果展示了企业运营、管理和市场竞争等方面的绩效表现，可以为企业提供有力的参考和指导，促进企业的不断发展和进步。

三、基于人工神经网络的企业绩效评估方法的优势

与传统的评估方法相比，基于人工神经网络的企业绩效评估方法具有以下优势：

1.更准确的预测能力，能够理解和处理更高维度、更复杂的数据；

2.更广泛的适用性，对不同行业、不同规模的企业都有很强的适应性；

3.更好的自适应能力，能够随时对数据的变化进行调整和优化；

4.更灵活的应用方式，可以应用于单一指标的评估，也可以同时评估多个指标；

5.较少的人为干扰和误差，不容易受到主观因素影响，使评估结果更客观和准确。

四、基于人工神经网络的企业绩效评估方法的应用研究 基于人工神经网络的企业绩效评估方法在实践中的应用也取得了很多成功的案例。例如，在某市民营企业中，基于人工神经网络的绩效评估模型成功地应用到了风险控制、业务发展和产品展示等多个方面。研究表明，该模型的评估结果更加准确和客观，能够提供更加有效的参考和决策支持。

Forum学术论坛

1722018年6月 DOI:10.19699/ki.issn2096-0298.2018.18.172基于BP神经网络的客户信用评级模型 江西理工大学电气工程与自动化学院 姜健 江西理工大学理学院 陈婧伊 天津商业大学国际教育合作学院 王宇歌摘 要：规避道德风险的关键在于正确的授信，即根据客户的资质确定借贷金额，基于此，本文建立了基于信用评级的道德风险规避模型，根据客户的信用等级来进行消费金融借贷。在客户画像体系的建立中，数据中客户量极大，无法一一描述每一个客户的特征，本文通过筛选指标建立了合理的客户价值评估模型，并进行了仿真验证。关键词：BP神经网络 客户信用 t检验 客户画像中图分类号：F832 文献标识码：A 文章编号：2096-0298(2018)06(c)-172-02在消费金融如火如荼发展的同时，为了抢夺客户，不少消费分期平台的服务人群逐步下沉至农村、大学生、流动人口甚至“黑户”，而农民收入低大多比较贫穷、学生无固定收入来源、流动人口流动性大、黑户信用程度低，因此，在消费金融井喷式增长的同时埋下风险隐患，出现了违规操作、客户资质下沉、过度授信、风控不力、坏账率高等诸多问题。1 客户画像体系建立识别客户价值应用最广泛的模型是通过三个指标(最近消费时间间隔(Recency)、消费频率(Frequency)、消费金额(Monetary)来进行客户细分，简称RFM模型。从某商业银行的客户信息数据中(train)提取了个贷是否结清标志、本月转入笔数、本期账户交易金额、客户资产总额五个指标对客户进行分类，如图1所示。图1 RFM模型分析基于该特征描述，定义5个等级的客户类别：重要保持客户、重要发展客户、重要挽留客户、一般客户与低价值客户。其中客户群1属于重要挽留客户、客户群2属于一般客户、客户群3属于重要发展客户、客户群4属于低价值客户、客户群5属于重要保持客户，它们的特征如下。(1)重要保持客户。这类客户的交易金额很大，在资产总额方面有着绝对优势，同时也没有明显的弱势特征。他们是消费金融行业的高价值客户，是最为理想的客户类型。消费金融企业应该优先将资源投放到他们身上，对他们进行差异化管理和一对一的营销，提高这类客户的忠诚度与满意度，尽可能地延长这类客户的高水平消费。(2)重要发展客户。这类客户的信用程度很好，同时没有明显弱势特征，他们是消费金融企业的潜在价值客户。虽然这类客户的当前价值并不是很高，但却有很大的发展潜力。航空公司要努力促使这类客户增加在消费金融领域的消费，也就是增加其交易金额。通过客户价值的提升，加强这类客户的满意度，使他们逐渐成为消费金融公司的忠诚客户。(3)重要挽留客户。这类客户无明显的优势特征，但劣势特征也不多，主要存在一些个贷没有结清的情况。这类客户价值变化的不确定性很大，由于这些客户衰退的原因各不相同，所以掌握客户的最新信息、维持与客户的互动就显得尤为重要了。(4)一般客户或低价值客户。这类客户无明显的优势特征，同时还存在一些劣势特征，如个贷未结清、交易金额、交易次数、资产总额少等。他们是消费金融企业的一般用户或低价值用户，可能是手头实在不宽裕的时候才会进行消费借贷。2 显著性检验t检验可以根据样本数据推断总体的均值是否有显著性差异。基于归一化的数据，t检验的零假设和备择假设如下：利用SPSS统计软件得到的t检验结果分析：t检验首先要判断总体的方差是否相等，利用SPSS软件可以直接得到方差齐性满足和不满足两种情况下t检验的P值，在0.05的显著性水平下，P<0.05，拒绝原假设，认为该变量可以对“是否逾期”有良好的区分效果。本文基于此挑选出对逾期行为有显著影响的14个变量，分别为：最近3个月转出笔数、资产总额、最近3个月客户AUM平均值、最近6个月客户AUM平均值、3个月基金月日均金额、6个月基金月日均金额、3个月国债月日均金额、6个月国债月日均金额、最近3个月客户月平均资产总计、最近6个月客户月平均资产总计、6个月月平均持有外币金额、3个月月平均持有本币金额、6个月月平均持有本币金额、6个月月平均外币新增余额。3 BP神经网络建立本文采用BP神经网络技术包括训练—仿真，由上面经过t检验筛选出的14个变量作为输入训练神经网络，网络训练完成后将Copyright©博看网 . All Rights Reserved.Forum学术论坛 2018年6月173test中的数据输入，得到test数据表中每一个客户的类别归属。输入层神经元取14，隐含层定位2，网络的输出层神经元个数取1，输出客户的得分情况。实验结果如图2、图3所示，通过误差传播过程发现随着网络运行步长的增多，MSE误差呈现不断下降的趋势，网络训练中止，此时误差小于0.06的量级，能够满足拟合要求。 图2 训练结果图3 训练参数变化曲线图 将test数据表中的客户信息输入到已经训练好的BP神经网络中，即可得到输入的客户的得分情况，得分区间为[-1,1]。其中，-1代表无逾期，1代表有逾期，得分越接近-1代表信用程度越高，反之，越接近1代表信用程度越低。再根据信用程度高低确定授信额度，就可显著的减小坏账情况，有效地规避道德风险。神经网络输出的客户得分情况部分展示，如表1所示。表1 客户得分情况表客户编号得分情况客户编号得分情况1000000239-0.114721000029667-0.1576130821000003260-0.9057910000399500.27059278210000085820.3648891000114466-0.7922073310000295090.21326411000178420-0.55632..............................综上所述，得分情况反应了客户的资质以及信用情况，消费金融企业应根据客户的资质确定借贷金额，根据客户的信用评级来进行消费金融借贷，防止违规操作、过度授信等错误操作，如此才可减小坏账率，有效地规避道德风险。4 结语BP神经网络是目前世界上最为广泛应用的神经网络模型之一，在预测、评价等方面都得到了广泛应用。该模型作为一种解决非线性问题的有利工具，可以推广到其他领域的应用。但由于BP神经网络模型自身的局限性，实际应用中需要进行一定的改进和修正。参考文献[1] 卓金武,李必文,魏永生,等.MATLAB在数学建模中的应用(第二版)[M].北京:北京航空航天大学出版社,2014.[2] 姜启源,谢金星,叶俊.数学模型(第四版)[M].北京:高等教育出版社,2011.[3] 谢中华.MATLAB统计分析与应用[M].北京:北京航空航天大学出版社,2011.

第１０卷第３期　石家庄铁路职业技术学院学报　、　ＶＯＬ．１　０　Ｎｏ．３　２０１１年９月　ＪＯＵＲＮＡＬ　ＯＦ　ＳＨＩＪＩＡＺＨＵＡＮＧ　ＩＮＳＴＩＴＵＴＥ　ＯＦ　ＲＭＬＷＡＹ　ＴＥＣＨＮＯＬＯＧＹ　Ｓｅｐ．２　０　Ｉ　１　

基于模糊神经网络的数据挖掘技术的研究　

．　刘丽娜　

（石家庄铁路职业技术学院　河北石家庄０５００４１）　摘要：简要叙述数据挖掘的概念及几种主要的数据挖掘方法，提出一种基于模糊神经网络的数　

据挖掘算法，把模糊理论和神经网络结合起来构造、训练模糊神经网络，弥补神经网络结构复杂、　

网络训练时间长、结果表示不易理解等不足。　关键词：数据挖掘　神经网络　模糊理论　

中图分类号：ＴＰ３９３．０３　文献标识码：Ａ　文章编号：１６７３．１８１６（２０１１）０４．００４３．０４　

１引言　

随着信息技术迅速发展，数据库的规模不断扩大，从而产生了大量的数据。激增的数据背后　

隐藏着许多重要的信息，人们希望能够对其进行更高层次的分析，以便更好地利用这些数据。为　

给决策者提供一个统一的全局视角，在许多领域建立了数据仓库。但大量的数据往往使人们无法　

辨别隐藏在其中的能对决策提供支持的信息，而传统的查询、报表工具无法满足挖掘这些信息的　

需求。因此，需要一种新的数据分析技术处理大量数据，并从中抽取有价值的潜在知识，数据挖　

掘（Ｄａｔａ　Ｍｉｎｉｎｇ）技术由此应运而生。数据挖掘技术也正是伴随着数据仓库技术的发展而逐步完　善起来的　】。　

２数据挖掘技术　

２．１数据挖掘定义　数据挖掘是从大量数据中提取出人们感兴趣的信息和知识，并表示成概念、规则、规律和模式。　

它的目的就是帮助分析人员寻找数据间潜在的关联，发现被忽略的要素，而这些信息对趋势预ｉ贝９和　

决策行为是十分有用的。　

数据挖掘一般的分析过程如图１所示：　

图１数据挖掘的分析实现过程　

２．２数据挖掘过程　

对于数据挖掘，我们可以分为三个主要的阶段：数据准备、数据挖掘、结果的评价和表达。其中