在当今的大数据时代下,半监督学习方法作为利用无标记数据进行学习的主流技术,在许多应用中发挥了重要的作用。然而,传统半监督学习方法的理论研究和实证分析大多是在随机缺失假设下进行的,即要求有标记数据和无标记数据来自于同一分布,但这在现实生活中是很难满足的。例如在商业银行发放房屋信用贷款问题中,在不同的地区,文化和风俗习惯的不同很有可能使个人的房屋信贷情况有很大的差异;再比如,不同时期人们的信贷情况也有可能随着国家政策或个人家庭收入情况的改变而表现出差异。在这种情况下,若再使用传统的半监督学习方法进行训练,反而可能造成很大误差。本文首先对传统的半监督学习方法进行了归纳概括,分析了各个方法存在的优势、不足以及各自适用的场合,进而针对上述不足,提出了一种新的半监督学习方法——基于广义可加模型和Group Lasso惩罚的半监督学习方法。和传统半监督学习方法一样,该方法将同时利用有标记样本和无标记样本,并对其施加Group Lasso惩罚,最后用块坐标下降算法同时实现参数的估计和变量的选择。本文对提出的新方法进行了模型说明和详细的算法推导,在此基础上,就生活中数据间可能存在的多种关系,将我们的半监督学习方法在多种情形下进行了模拟计算,以分类误差、真阳性率、错误发现率作为指标,对我们的半监督学习方法和监督的Group Lasso模型的预测能力和变量选择能力进行了对比。模拟结果表明,总体上来说,我们提出的新的半监督学习方法在各个方面的表现均显著优于监督的Group Lasso模型,特别是在有标记样本和无标记样本的真实函数不同时优势最为明显。最后,本文对该方法在房屋信用贷款风险评估领域的应用展开研究。结果表明,当存在无关变量,并且有标记样本和无标记样本来自不同分布时,我们的新的半监督学习方法在变量选择、结果预测以及模型稳健性上的表现均较为出色,并一致优于监督的半参数(Semi-parametric)Group Lasso和普通的Group Lasso模型。