基于核SVM的银行客户分类研究倪非凡赵黎丽谢立[摘要]人工智能技术为金融行业的发展带来更多的机遇。针对银行客户潜在价值的分析与发掘，帮助金融机构制定合理的策略，处理客户关系。文章面向真实银行数据集，提出基于支持向量机（SVM）模型的客户分类方法，并引入核函数来增强SVM的拟合能力，通过与K-means、随机森林、决策树等传统机器学习分类算法进行实验分析比较，结果表明，基于核函数的SVM算法具有良好的效果，能准确地实现客户分类，更有助于加强对客户的了解。[关键词]SVM;核函数;银行客户分类[DOI]10.13939/j.cnki.zgsc.2021.13.0171引言随着信息技术的发展，银行等金融机构对智能信息分析技术的依赖逐渐增加。客户的分类分析有助于金融机构对客户进行资源整合、价值发掘以及关系管理，从而为金融机构实现利益最大化提供帮助。但大部分金融机构仅仅注重客户资产等基本的属性，不能发掘客户的潜在特征，这是银行发展现状的短板，需加强与高新技术的结合，利用大数据、人工智能等新技术，为进一步探索客户特征提供可能。目前在银行领域应用SVM算法进行客户分类的研究成果还不多见。为了使得金融行业能够更加准确地把握客户信息，增强客户管理能力，实现客户的精准分类，文章首先将银行客户真实数据进行清洗，并进行数据集划分;其次，在SVM模型中引入核函数，增强SVM模型的泛化能力;最后，进行模型的性能测试。同时对分类结果进行分析，与几个常用的机器学习算法在分类准确度上进行比较，并从健壮性和性能角度综合评价了SVM模型，结果表明，引入核函数的SVM模型具有良好的分类能力。2基于核SVM的银行客户算法文章采用SVM算法對银行客户进行分类分析研究，同时引入核函数加强SVM的分类能力。SVM是一种二分类机器学习模型，其本质上为定义在特征空间上的最大间隔分类器，当SVM算法增加核函数后，其实质上变为非线性。SVM的目的是找到最大间隔的分类界限。设样本集合X={X1，X2，X3，…，Xn}中包含正样本和负样本两类样本，样本Xi（i=1，2，3，…，n）对应标签yi（i=1，2，3，…，n），yi具有两种取值，当yi=1时，表示yi属于正样本;当yi=-1时，表示yi属于负样本。样本集合X可分为线性可分和线性不可分两种类型，下面分别针对不同类型进行简要说明。2.1样本线性可分直接对样本集合X进行分类。超平面α为分类对间隔，表达式如下所示：ω×a+b=0（1）其中，ω为超平面α的法向量。a为系数，b为任意常数。此时分类问题转变为寻找最优的超平面α，即寻找最优系数a和最优常数b，使SVM具有最好的分类效果，该最优问题可以归结为下面公式：min‖ω2‖2+ρnk=1ζk（2）s.t.Yk（ω2·Xk+b）≥ζk，ζk≥0，k=1，2，3，…，n（3）其中，ρnk=1ζk是损失项，ρ为损失系数。根据式（2）和式（3）构建拉格朗日函数，由于不容易直接求得原问题的解，但与其对偶问题有相同的最优解，因此该问题的解可由其对偶问题求得：maxf（γ）=L（ω，b，γ）=nk=1γk-12nk-1nl=1γkγlYkYlXTkXl（4）s.t.nk=1γkYk=0，0<γk<ρ（5）假设拉格朗日乘子γ*k的最优值根据式（4）和式（5）求得，那么原问题的最优解由下式表示：ω0=nk=1γ*kYkXk（6）b0=1n1+n2n1k=1（1-ω0X（s1）k）+n2k=1（-1-ω0X（s2）k）（7）其中，X（s1）k为正样本中的第k个支持向量，n1为正样本中支持向量的总个数，X（s2）k为负样本中第k个支持向量，n2为负样本中支持向量的总个数。首先将SVM分类器进行样本训练，然后将实时数据输入到SVM中，根据下式可计算输出样本的类别：L（ω0X（t）+b0）=1，X∈T-1，X∈F（8）其中，X（t）为测试样本，T表示该样本属于正样本，F表示该样本属于负样本。2.2样本线性不可分当分类样本线性不可分时，需将每一个样本的维度进行升高，在高维空间实现线性可分。此时式（4）和式（5）变为如下形式：maxf（γ）=nk=1-12nk=1nl=1γkγlYkYlψ（Xk）Tψ（Xl）（9）s.t.nk=1γkYk=0，0<γk<ρ（10）其中，ψ为线性空间变换，样本Xk的映射结果为ψ（Xk）。令P（Xk，Yl）=ψ（Xk）Tψ（Yl），Qk，l=YkYtP（Xk，Xl），代入式（9）和式（10）得到如下公式：min（12γTQγ-eTγ）（11）s.t.YTγ=0，0≤γk≤ρ（12）...