1、“.....最近，我们已经成功地应用新数据挖掘模型，像隐层学习向量量化及支持向量机破产预测。然而，使用这些模型主要缺点是他们很难让人理解且无法对作出决定进行明确区分。本文结构如下，首先讨论使用数据集，数据处理和特征选择。接着介绍了模型实用性和措施，之后对结果进行讨论，最后提出结论。二正文该数据库包含约万将个人信用征集到银行客户，并且包括了到万欧元和付款期限至个月不等。该数据库还包含了默认设置，可以为每个客户提示关于银行每月按揭供款天数。这个量通常被称为拖欠天数，在大多数情况下是零。被认为是个客户端时，这个数目是拖欠超过天。我们发现数据库中数据库实例包括这个类别。要创建个平衡数据集，可以随机选择个没有违约实例进行相同数量选择。我们称为数据集我们还创造了第二个数据集，那里信贷评分专有性，有些研究报告了商业信用评分应用性能......”。

2、“.....作者根据科学技术从年月至年月数据集比较了多层感知器与逻辑回归模型。他们发现对每个数据集而言，神经网络模型相当或优于逻辑回归模型。通过几个作家研究，个人信用评分使用决策树和神经网络多层感知器对德国和澳大利亚这两个神经网络结构个人信用数据集进行了测试。结果表明，多层感知神经网络及决策树模型都具有相当精度水平，而目前仅轻微优于传统参数化方法。詹森开发了多层感知器神经网络信用评分与三项成果收取义务，债务拖欠，和实收义务。这个研究者认为神经网络信用评分方法应该是很具有潜力，但是其结果只获得了例。该研究适用于预测金融危机，无论是在公司或者个人层面进行，研究表明最精非参数模型显示了定潜力但还缺乏对传统统计技术压倒性优势。最近，我们已经成功地应用新数据挖掘模型，像隐层学习向量量化及支持向量机破产预测。然而，使用这些模型主要缺点是他们很难让人理解且无法对作出决定进行明确区分......”。

3、“.....首先讨论使用数据集，数据处理和特征选择。接着介绍了模型实用性和措施，之后对结果进行讨论，最后提出结论。二正文该数据库包含约万将个人信用征集到银行客户，并且包括了到万欧元和付款期限至个月不等。该数据库还包含了默认设置，可以为每个客户提示关于银行每月按揭供款天数。这个量通常被称为拖欠天数，在大多数情况下是零。被认为是个客户端时，这个数目是拖欠超过天。我们发现数据库中数据库实例包括这个类别。要创建个平衡数据集，可以随机选择个没有违约实例进行相同数量选择。我们称为数据集我们还创造了第二个数据集，那里信贷拖欠定义设置成拖欠天。这个数据集含有违约和非违约值，因此更不平衡。这就是所谓数据集几个特征选择算法用于排除无用属性和降低分类复杂性。由于存在许多类别属性，特征选择是困难。几种方法被用来测试选择致性属性综合评判和卡方准则。每个方法选定属性略有不同集......”。

4、“.....多层感知器，支持向量机和隐层学习向量量化。对于多层感知器，我们用个单层神经元神经网络。研究率设定和。支持向量机算法，他使用了带有径向为核心基础上与成本参数功能。算法是高维数据进行分类，这包括四个步骤。首先，利用多层感知器进行训练倒传递。第二，监督学习向量量化应用到最后隐藏层输出获取代码载体每个类对应词中数据进行分类。在第三步是重新培训方面存在分歧，但有两个传统多层培训。纠错不应用到输出层，而是直接到最后隐藏层。步骤二和三是重复下个迭代过程。停止时个严格标准是最低分类被发现。该算法最后步就是进行应用。每个测试例如包括在训练集和神经网络重新培训。由于这个例子类成员是未知，我们首先将其分配给类，并确定相应输出，以及分别每类原型距离。准确性是个很好指标，但不是唯标准，选择适当分类。我们引入了个由分类器定义有用措施η−其中是由分类器和所引致损失，由于不可避免分类使用获得收入。收入......”。

5、“.....从信贷违约客户拒绝结果，可以表示为−其中是贷款申请数量，是贷款平均价值，为第类型和在实际样品默认典型百分比。为了简化，我们假定违约违约损失率损失。从客户流失结果来看，如不包括被地归类为默认值，简化方式可以计算为−其中是平均利润率般由银行取得贷款。净增益在使用分类η−−−对分类器效率措施。这个量应该是最低。假设小和，我们应该有。在表中，我们比较了两种分类器使用倍交叉验证数据集效率。对于数据集，大多数分类在违约探测中获得了很高准确性，但在类型中发生了。由于实际数据是极不平衡，大多数情况下是没有违约，这意味着超过半客户将被拒绝。支持向量机是最均衡分类，而数据集上都达到了最高精度。由于数据集更加不平衡和违约定义更加严格，第二类大为减少，同时增加了第类。更重要是，分类器实用性，用来衡量，得到了大大改善。该再次表现最佳，无论是准确性还是实用性，回归模型表现最差......”。

6、“.....有用分类数据集已经有大约违约，考虑最佳模型,和高达回归案例。为了提高实用性，即低于，类型应减少。这可通过使用个或更多非平衡数据集或申请每类不同权重。在数据集中每个类实例确切比例可以调整，以尽量减少。表。精度，误差类型和数据集在两个不同型号使用性考虑。值以百分比为单位。分类准确性类型类型二回归模型数据集多层感知器支持向量机隐层学习向量量化回归模型数据集多层感知器支持向量机隐层学习向量量化三结论在这项工作中，我们比较了几种研究学习算法效率信用评分。特征选择是用来降低复杂性并消除无用属性。从最初只设置个功能已被选中。虽然稍微提高了回归精度，其他方法有很大收益。提升了准确率。这个价格用来支付违约精确检测是种虚假高利率阳性。为了克服这种状况不平衡数据集，采用了更严格违约定义。个有用分类措施是，我们发现，它大大提高了第二个数据集......”。

7、“.....主要研究集中于两个方面预测公司破产和个人信用风险预测。由于信用评分专有性，有些研究报告了商业信用评分应用性能。有学者研究了利用多层感知神经网络预测储蓄和贷款财务状况。作者根据科学技术从年月至年月数据集比较了多层感知器与逻辑回归模型。他们发现对每个数据集而言，神经网络模型相当或优于逻辑回归模型。通过几个作家研究，个人信用评分使用决策树和神经网络多层感知器对德国和澳大利亚这两个神经网络结构个人信用数据集进行了测试。结果表明，多层感知神经网络及决策树模型都具有相当精度水平，而目前仅轻微优于传统参数化方法。詹森开发了多层感知器神经网络信用评分与三项成果收取义务，债务拖欠，和实收义务。这个研究者认为神经网络信用评分方法应该是很具有潜力，但是其结果只获得了例。该研究适用于预测金融危机，无论是在公司或者个人本科毕业论文外文翻译外文题目出处作者......”。

8、“.....我们使用了多种机械研究算法来研究个人信用评分多层感知器，回归模型，支持向量机和隐层学习向量量化。这些评分模型对从葡萄牙银行收集大量数据进行了测试。以所得出结果为基准来考虑商业应用基础上传统方法。本文还提出了计分模型有效性并标明了是最准确模型。定量信用评分模型已经制定了通过信用授予决定来将申请分为好或坏，在债务承担上违约可能性极高被广泛定义为组。用正确模型来识别坏申请人是非常重要。小额信贷增加使得信用评分准确性更加重要。线性判别分析法仍然被传统信用评分模型所使用。然而，随着信贷业管理下大型贷款组合发展，更准确信用评分模型正在被积极地研究。这种努力主要是面向非参数统计方法，分类树，和信贷评分应用神经网络技术。这项工作目是针对目前正在调查模型来考察几个研究模型对信用评分应用准确度。信用卡产业在经历了分期付款信贷快速增长后也出现了显著发展，包括单户抵押贷款，汽车贷款......”。

9、“.....信用评分模型，也就是说，客户支付能力贷款评级，被广泛应用于金融业，以改善现金流量和信用集合。信用评分优点包括减少信贷成本分析，实现更快信贷决策，密切监测现有账户，和优先集合。个人信用评分方法是银行进行家庭贷款审批时使用，用来设置信用卡及其他个人开支信用额度。然而，随着金融服务项目增长，出现了因拖欠贷款而带来损失。例如，最近在金融系统中有次级按揭引发危机造成了数十亿美元损失。对此，许多业内信贷机构正在开发新模型来支持个人信贷决策。这些新信用评分模型目标是提高准确性，这意味着更多信用申请被授予信用从而提高利润没有信用价值申请被拒绝贷款从而减少损失。主要研究集中于两个方面预测公司破产和个人信用风险预测。由于信用评分专有性，有些研究报告了商业信用评分应用性能。有学者研究了利用多层感知神经网络预测储蓄和贷款财务状况......”。