1、企業(yè)信用評估是商業(yè)銀行資產(chǎn)業(yè)務，特別是貸款業(yè)務經(jīng)營的核心內(nèi)容。對貸款客戶的信用評價是否科學可靠、是否健全，關系到商業(yè)銀行經(jīng)營的成敗。我國銀行的信用評估目前還停留在傳統(tǒng)的比例分析階段，亟需建立一套更為科學的評估模型。近年來，人工神經(jīng)網(wǎng)絡(ANN)和支持向量機(SVM)等智能模型已被引入信用評估領域，取得了令人鼓舞的研究性成果。但前人的研究大多著重于單分類器的模型，由于信用評估數(shù)據(jù)分布較為復雜，噪聲較多，這使得單分類器模型難以達到令人滿意的

2、效果。于是本文引入了一種能較好容忍噪聲，且穩(wěn)定性較高的組合分類器算法--隨機森林(RF)，探索研究商業(yè)銀行的企業(yè)信用評估問題。 本文簡要介紹了隨機森林方法的相關理論：著重研究了隨機森林在企業(yè)信用評估中的應用。我們利用RF算法定義的野點度量尺度，對原始數(shù)據(jù)進行預處理，剔除明顯奇異的部分野點；然后利用RF算法能計算單個特征重要性的特點，對用于企業(yè)信用評估的可用指標集進行特征選擇，并以此為基礎建立信用評估模型。本文還進一步研究了RF對

3、噪聲的容忍程度和對不平衡分類問題的處理方法，并對信用評估模型的參數(shù)選擇問題進行了實驗分析，得出了一些實用性的結論，為后續(xù)的研究工作奠定了一個較好的基礎。本文針對RF模型，單個SVM模型和單個NN模型進行了對比實驗。實驗表明，RF模型在均衡了各類別準確率的基礎上，還具有較高的整體準確率，這表明RF算法更加適用于構建信用評估模型。此外，本文還將代價敏感分類的思想引入了RF模型，以期提高誤判代價較高的類別的準確率，從而降低整體誤判代價，使我們