在信用风险识别领域，聚类算法常被用于区分不同风险等级的样本并识别风险特征。然而该领域中通常面临高维数据处理问题，导致传统聚类算法存在不适应此类问题的缺陷：易陷入局部最优、受冗余特征干扰、鲁棒性不强等。采用高维信用风险数据，研究上市公司信用风险，建立信用风险特征识别的三目标优化模型，设计基于分解的多目标子空间聚类算法进行求解。通过算法的横向对比实验，展示了所提出的算法在聚类精度和鲁棒性方面的优势，并根据聚类算法的权重分配结果，归纳总结上市公司信用风险评估过程中应重点关注的指标。
科研之友
微信
新浪微博
Facebook
分享链接
