随着个人信贷的普及,个人信用已成为各个金融机构关注的重点。过去的个人信用评估多依靠人工判断,不仅效率低下,而且准确率很低。随着人工智能的发展,各种分类算法开始活跃于金融市场。但是分类算法种类众多,每个算法的用途都有所不同,如何根据需要选择合适的算法成为各机构研究的重点。本文的目的是利用机器学习算法建立一个个人信用评估系统,主要做了以下几个方面的研究工作:(1)用BP神经网络处理数据集。首先根据数据集中的数据分布特点建立合适的网络结构,然后通过大量实验验证BP神经网络各参数设置的合理性,最后结合本文的情况选取合适的参数来训练网络并给出测试结果。(2)BP神经网络优化。GA-BP网络是用遗传算法来优化BP神经网络,首先设定合适的适应度函数,然后通过选择、交叉、变异的操作选出最好的网络初始权值和阈值。PSO-BP网络则通过粒子寻优来找到最佳初始权值和阈值。两种优化算法都提升了网络的分类性能。(3)BP神经网络集成。BP-Adaboost通过改变样本权重来训练网络,然后对所训练的网络进行集成。GASEN算法则通过遗传算法来进化网络,并设置门限来筛选网络,最终只选择部分分类器进行集成。(4)GASEN算法改进。本文在GASEN的基础上提出DCGASEN算法。DCGASEN算法用轮盘赌的方法对数据特征随机抽样,以增加所训练基分类器的差异性,然后用遗传算法来进化权重,最后将所选中的基分类器进行集成并测试分类性能。为了使结果更有说服力,本文还与常用的分类算法做比较。实验结果表明,本文优化后的算法分类性能明显优于常用的分类算法;GA-BP算法和PSO-BP算法相对于BP神经网络准确率都有很大提升;集成算法分类效果要优于单一分类器;GASEN算法要优于BP-Adaboost算法,选择性集成算法能够集成更少的网络却达到更高的准确率;DCGASEN算法通过增加基分类器差异性取得了更好的分类效果,在GASEN的基础上得到很大的提升。