随着互联网金融、信用卡业务的崛起,贷款人违约现象逐渐增多,不良贷款也随之不断攀升,这些现象给发放贷款的金融机构造成一定的经济损失。有些金融机构为了降低不良贷款率,多家机构线下共享违约人黑名单,但这种共享方式有两大缺点,一是无法实时在线完成,二是无法保障贷款人和金融机构的隐私信息。因此,需要通过安全的方式对隐私内容进行保护,并建立违约模型对贷款人违约进行预测。本文研究内容针对聚类集成方法提出建立基于多方的违约模型。传统的隐私保护方法从安全角度出发,通过加密等算法对原始数据进行处理,而当参与计算的数据维度变高并且具有相关性时,现有的隐私保护方法无法起到保护作用。本文主要工作如下:第一、针对高维数据的降维和隐私数据的保护,课题选择FastMap投影作为高维数据的降维方法。由于FastM ap通过投影是对数据对象进行距离改化投影到低维空间,因此对参与多方计算的隐私数据进行了保护。第二、我们提出一种创新的聚类集成方法KMS将各方产生的基聚类结果合并,这样得到的聚类结果代表所有参与计算方数据的最终聚类,并且合并后的聚类结果比单个聚类结果更好。第三、采用多重共线性检验选择特征参与基于Logistic回归的违约模型,保证参与运算的特征对违约模型的构建起到显著作用,加强模型的解释性。第四、采用多重共线性检验进行特征选择,使用安全多方计算的半诚实模型作为基于FastMap和Logistic的贷款违约模型组合评估平台的基础,保护客户端隐私信息并建立高可靠的违约评估模型。为验证本文所提方法的性能及效果,我们通过三组合成集群数据对比试验,分析了 FastMap的性能,证明FastM ap能生成更好的组件数据集,并且在噪声数据上的效果良好。通过四组真实数据对三种共识函数对比试验,分别将基聚类进行集成,集成的结果与数据集中真实类标签进行比较,并使用四种评价方法对聚类集成效果进行比较。聚类集成的性能比简单的聚类算法效果更好,并且算法的性能随噪声特性的增加而逐渐减小,数据集中噪声越多,对数据进行聚类越困难。通过真实数据的对比试验,我们对聚类集成的效果进行评估,结果证明FastMap投影对数据隐私和数据转换有更好地效果,提高了高维数据聚类集成的性能。