企业信用评估是商业银行资产业务,特别是贷款业务经营的核心内容。对贷款客户的信用评价是否科学可靠、是否健全,关系到商业银行经营的成败。我国银行的信用评估目前还停留在传统的比例分析阶段,亟需建立一套更为科学的评估模型。近年来,人工神经网络(ANN)和支持向量机(SVM)等智能模型已被引入信用评估领域,取得了令人鼓舞的研究性成果。但前人的研究大多着重于单分类器的模型,由于信用评估数据分布较为复杂,噪声较多,这使得单分类器模型难以达到令人满意的效果。于是本文引入了一种能较好容忍噪声,且稳定性较高的组合分类器算法——随机森林(RF),探索研究商业银行的企业信用评估问题。本文简要介绍了随机森林方法的相关理论;着重研究了随机森林在企业信用评估中的应用。我们利用RF算法定义的野点度量尺度,对原始数据进行预处理,剔除明显奇异的部分野点;然后利用RF算法能计算单个特征重要性的特点,对用于企业信用评估的可用指标集进行特征选择,并以此为基础建立信用评估模型。本文还进一步研究了RF对噪声的容忍程度和对不平衡分类问题的处理方法,并对信用评估模型的参数选择问题进行了实验分析,得出了一些实用性的结论,为后续的研究工作奠定了一个较好的基础。本文针对RF模型,单个SVM模型和单个NN模型进行了对比实验。实验表明,RF模型在均衡了各类别准确率的基础上,还具有较高的整体准确率,这表明RF算法更加适用于构建信用评估模型。此外,本文还将代价敏感分类的思想引入了RF模型,以期提高误判代价较高的类别的准确率,从而降低整体误判代价,使我们的模型更具实用性。