Abstract：
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。
Keyword：
Reprint Author's Address：
Email：
Source ：
运筹与管理
Year： 2022
Issue： 06
Volume： 31
Page： 147-153
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 14
Affiliated Colleges：
