个人信用评估模型的建立

基于前三章的理论基础，从本章开始，本文开始做实验，主要用到的工具是RapidMiner。RapidMiner是世界领先的数据挖掘解决方案，于2001年由美国著名的科学家Ingo Mierswa、Ralf Klinkenberg和Simon Fischer负责开发。它具有数据挖掘过程简单，操作简便，无需编程，运算速度快等特点。自问世以来，备受全球学者的喜爱。到2010年底，RapidMiner软件平台在全球50多个国家达到约50多万次的下载量。

导入数据

由于本文作者找到的数据量过大，RapidMiner无法运行[28]。所以选取了最具代表性的1000组数据进行实验。

第一步：在RapidMiner中导入数据，点击添加数据，如图4-1所示，进入如图4-2所示的界面。（由于本文所需的数据都在“我的电脑”中，所以直接点击“My Computer”选择数据。）

.......

 论文的主要工作

（1）对我国信用风险评估现状进行了总结的同时，对国外最新的信用风险评估模型进行了分析，结合我国的具体国情和发展现状，提出了我国商业银行信用风险评估指标体系，并按照各指标的发展方向进行赋值评估。

（2）比较了神经网络、决策树和支持向量机，讨论了三种模型在个人信用风险评估中的各自的适用性和优越性，为信用风险评估体系的发展提出了一个新的思路。

（3）在建立了个人信用风险评估模型的指标体系的基础上，用RapidMiner工具将各模型实现。并且依据有限的数据进行网络模型的测验，初步验证三种方法的基本思路和计算方法是清晰的，完全可以应用于实践。

（4）基于建立的模型所需的数据条件，提出了完善我国个人信用风险评估制度的一些对策和建议。

总结

在个人信用风险评估这一模块，我们通过大量的实验证明，SVM和决策树对于处理此类型的数据表现最佳。因此，我们推荐国内各大金融机构在处理个人信用风险评估时，使用SVM或决策树算法，提高精确度。从而为银行带来更好的经济效益以及更安全的放贷模式。同时，各大金融机构应该更看重贷款用户的信用良好情况、年龄、文化程度、还款金额等因素。