Modeler 支持向量机模型评估银行客户信用 本文要介绍的预测分析模型是“支持向量机模型”，我们将为大家简要介绍

支持向量机模型的理论，然后结合 IBM SPSS Modeler 产品详细讲述如何利用支

持向量机模型来解决客户的具体商业问题—银行如何评估客户信用

银行典型案例 商业银行个人信用评估就是根据个人信息和借贷记录等历史数据，判断个

人信用，它是保证信贷安全的重要一环。但是商业银行用于信用评估的数据往

往具有特性不稳定，历史样本容量较小，指标较多，呈明显的非正态分布。这

些特点导致很难利用一般的统计技术进行有效的评估。支持向量机模型 ( 简称

SVM) 能够很好的处理此类数据，进行有效的信用评估。本文介绍了 SVM 的基

本概念以及 Modeler 中使用 SVM 进行信用评估的基本步骤和方法，并对结果

进行分析和应用

支持向量机模型简介

支持向量机 (Support Vector Machine, 简称 SVM) 是一项功能强大的分

类和回归技术，可最大化模型的预测准确度。与其他常用模型不同，SVM 一

个优势就是能很好的处理小样本，高维数，非正态的数据。

SVM 的工作原理是将原始数据通过变换映射到高维特征空间，这样即使

数据不是线性可分，也可以对该数据点进行分类。之后，使用变换后的新数据

的进行预测分类。例如，图 1 中的数据点落到了两个不同的类别中，可以用一

条曲线分隔这两个类别。对数据使用某种数学函数变换后，可以用超平面定义

这两个类别之间的边界。

图 1. 数据变换后线性可分示意图

用于变换的数学函数称为核函数。IBM SPSS Modeler 中的 SVM 支持下

列核函数类型：

 线性

 多项式

 径向基函数 (RBF)

 Sigmoid

如果数据的线性分隔比较简单，则建议使用线性核函数。在其他情况下，

应当使用其他核函数。在所有情况下，最好尝试使用不同的核函数，才能从中

找出最佳模型，因为每一个函数均使用不同的算法和参数。

回页首

使用 IBM SPSS Modeler 支持向量机模型评估客户信

用

IBM SPSS Modeler 中的 SVM 提供了可视化的操作方法，具有界面友

好，操作方便的特点。此节，介绍如何使用 IBM SPSS Modeler SVM 评估客

户信用。操作步骤分为：

 创建基本流（Modeler Stream），建立模型；  测试模型，分析结果；

 用不同的核函数建模，比较并选择合适的模型；

 运用选定的模型来评估客户信用。

我们使用 UCI Machine Learning Repository 上公开的商业银行客户信用

记录作为数据集进行演示。该数据集由 1000 条个人信用记录组成，每条记录

均包含一组个人信息值，其中包括对客户信用的评估结果。1000 条记录保存

在 CreditData.csv 文件中，从 1000 条记录中抽出一部分用于演示用选定的

模型评估客户信用，将这部分数据保存到 CreditData4Estimate.csv 文件中。

创建基本流（Modeler Stream），建立模型 图 2. 基本流建模图

基本流如图 2 所示，创建步骤如下

1) 添加源数据—选择合适的数据

创建新流，命名为 SVM.str。从“源”选项卡中添加一个“可变文件”节点到

SVM.str，从“输出”选项卡中添加一个“表”节点到流，并将“表”节点连接到“可变

文件”节点。打开“可变文件”节点，导入客户信用数据 CreditData.csv。运行

“表”节点，显示源文件中数据，如图 3 所示。数据有 22 个字段，1000 条记

录。ID 字段为客户标志符。每个客户的信息包含在从 StatusChkAccount

到 Foreigner的字段中。Class字段表示信用评级，取值为良 ( 值 =1) 或者差

( 值 =2)。

图 3. 源数据图 2)

设置类型—选择用作预测的变量和目标变量

从“字段选项”选项卡中添加一个“类型”节点到 SVM.str, 并将它连接到“可变

文件”节点之后，打开“类型”节点，并单击 [ 读取值 ] 按钮。获得数据集描述，

如图 4 所示。

图 4. 源数据类型描述图 本模型，希望预测

Class的值 ( 此字段只有 2 个值，即良 (=1) 还是差

(=2))。在“类型”设置界面中，单击 Class字段的“测量”列，将其改为“标志”，

将 Class的角色设置为 “目标”;ID字段作为个人标识符，不会对建模和预测产

生影响，不会用作预测变量或模型的目标，将其角色设置为“无”; 其他字段作

为特征字段用作预测变量，因此将其角色设置为 “输入”。

3) 添加分区—选择建模的数据和测试模型的数据

为了建立模型 ( 即训练模型 )，同时测试模型，需要把数据集

CreditData.csv 分为两部分，一部分用于建立模型，另一部分用于测试新建模

型。分区节点通过在源数据表中添加一个字段，根据字段的不同取值，将数据

分区。“分区”节点最多可以将数据分为三部分，分别用于训练、测试和验证。

从“字段选项”选项卡中添加“分区”节点到流，将其连接到“类型”节点，打开

“分区”节点，使用默认设置。默认分为“训练”和“测试”两个分区，大小分别

50%。选择“设置随机种子数”表示分区是随机分区的。

图 5. 分区节点图 添加

“表”节点并连接到“分区”节点之后。运行“表”节点，如图 6 所示，“分

区”字段被加入到表中。

图 6. 添加分区字段的数据图

4) 添加“建模”节点—建模

从“建模”选项卡中添加“SVM”节点，并连接到“分区”节点之后。双击“SVM”

节点，设置属性。

“字段”选项卡默认选中“使用类型节点设置”。

在“模型”选项卡中，如图 7 左所示，选中“自定义”选项，在相邻的文本字

段中键入 class-rbf 作为“模型名称”；默认选中“使用分区数据”和“为每个分割构

建模型”，流中没有添加“分割”节点，这个选项没有实际作用，关于其功能这里

不介绍，有兴趣的读者可以参考帮助文档。

在专家选项卡中，如图 7 右所示，将“模式”设为“专家”以获得可靠性，“内

核类型”（即核函数）默认设为 RBF，其他选项使用默认值，这些选项是建模

参数，这里不介绍，有兴趣的读者可以参考帮助文档。在“简单”模式下所有选

项均为不可设置。

图 7. 模型设置图

在“分析”选项卡上，选中“计算变量重要性”复选框，其他两个选项“计算原

始的趋向得分”和“计算调整倾向得分”默认不选中，关于这两个选项功能，这里

不介绍，有兴趣的读者可以参考帮助文档。

“注解”选项卡不作额外设置。

单击运行。运行成功表示建模完成，创建模型块被添加到流中。至此，流

基本建立完毕，如上面图 2 所示。

测试模型，分析结果

双击建模生成的模型块 class-rbf。如图 8 所示，在“模型”选项卡上，预测

变量重要性图显示了不同变量对预测的影响程度，从上到下预测变量的重要程

度依次降低，其中 StatusChkAccount和 SavingAccounts的对预测的影响度最大。“设置”选项卡指定在查看结果时显示的附加字段。“汇总”选项卡显示了分析

( 包含记录数，分析准确性 )、字段、构建设置、训练汇总等信息。这两个选

项卡的详细功能，本文不介绍，请参考帮助文档。 图 8. 模型图

模型块 class-rbf 之后添加“表”节点，运行表节点，使用创建的 class-rbf

模型对源数据中数据进行测试，获得图 9 所示结果。

图 9. 训练评估结果图 图 9 的结果中，class-rbf 模型创建了两个新字段。向右滚动表输出可看

到这两个字段：

表 1.带表头、所有列左对齐的样式

新字段名 描述

$S-Class 由模型预测的 Class 值。

$SP-Class 此预测值的倾向得分（即此预测值正确的可能性，其值介于 0.0 到 1.0 之间）。表示预测值的准确程度，值越高，越说明预测值准确性越高

查看上表，看到大多数记录的倾向得分（$SP-Class 列）都相当高，即预

测的准确度相当高。但是也存在一些明显的例外情况 , 例如图 9 位于第 98

和 99 行的记录，其倾向得分为 0.539 和 0.535。比较这两行的 Class 和

$S-Class，可以看到此模型对这两行记录做出了不正确的预测。因此，在实际

使用模型预测时，选择相信倾向得分大于预设值的预测结果。

为了统计表中的预测信息，添加“分析”节点并连接到 class-rbf 模型块，运

行“分析”节点，获得预测汇总结果 , 如图 10 左所示。根据汇总结果，class-

rbf 模型对于“1_ 训练”分区，预测正确率是 99.59%；对于“2_ 测试”分区，预

测正确率是 71.93%。

如果选择相信倾向得分大于 0.95 的预测结果，那么预测正确率更高。添

加“选择”节点，将其连接至 class-rbf 模型块之后，再将“分析”节点连接至“选择”节点之后 ( 在警告对话框上选择替换 )，在“选择”节点中设置只包含 $SP-

Class>=0.95 的记录。再运行“分析”节点，得到图 10 右所示结果。可以看到

class-rbf 模型对于“2_ 测试”部分的预测正确率达到 81.39% 图 10. 模型测试结果图

使用不同的核函数，选择最合适模型

为了比较不同的核函数创建的模型，添加第二个“SVM”建模节点并连接到

“分区”节点之后，打开新“SVM”节点，在“模型”选项卡上选择“自定义”并将

class-poly 作为模型名称；在“专家”选项卡上，将模式设置为专家；将内核类

型设置为多项式并单击运行，class-poly 模型块被成功创建。将 class-poly 模

型块连接到 class-rbf 模型块之后（在警告对话框上选择替换），将 class-

poly 模型连接到“分析”节点 ( 在警告对话框上选择替换 ), 在 class-poly 模型

块之后添“表”节点。最终建立的流如图 11 所示。我们还可以看到 class-rbf 模

型块和 class-poly 模型块被添加到屏幕右上角的“模型”选项板。

图 11. 多核函数建模图