个人评语

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇个人评语范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

个人评语范文第1篇

1、本学期谢晋学习的自觉性、自律性有所下降。目前，你已经认识到你自己的毛病。在今后的学习中取得好成绩。

2、谢谢老师给予xxx这么高的评价，这学期xxx在老师的帮助指导下得到了锻炼和提高，尤其是绘画和手工有了很大的突破。老师们精心准备的各项活动中，孩子的手脑协调能力也提高了，表达能力也进步了不少，衷心感谢老师对孩子的关心和鼓励，只有咋你们的努力下孩子才有这么大的进步。

3、在新的一个学期，希望你一定要改掉以前不好的坏毛病，认真地做好每一件事。书念得多，就会比别人懂得多，懂得比别人多，也就比别人更容易成功。

4、在本学期孩子有了很大的进步，谢谢老师一直以来的培养教育，希望在将来有更大的进步。看到你们的评语我知道儿子又比以前有了很大的进步，都是老师教育的好。我希望在下学期开学的时候，在老师和家长的帮助下改掉她身上的缺点，谢谢老师这一年对孩子的关心和帮助，谢谢各位老师。

5、希望方萧钰在新的一年里学习习惯有大的进步，成绩与心身并进，老师与学生生活学习工作愉快。

6、希望佳颖在新的学期里，再接再厉，取得更好的成绩！做老师的好帮手，同学们的好朋友！通过一学期的学习，琦琦改掉了许多坏习惯，爱到学校去学习就是很好的表现。而且针对某一方面，只要是自己感兴趣的事，可以一个人默默的干上一会，直到完成！……琦琦是一个活泼好动的，爱说话，偶尔不高兴就乱发脾气，甚至会骂几句脏话。希望琦琦在新的一学期里，努力学习积极举手发言，改掉上课做动作，做作业粗心的小毛病，相信琦琦一定在学习上、生活上更上一层楼。

7、　本学期无论学习，生活都有很大的进步，但是学习的积极性和自觉性有待进一步提高。虽然在英语比赛中失败了，但我们看到了你的努力，而且吸取经验和教训。希望能在下学年中争取更大的进步。

8、作为父母，我们对小安在第一学期的各方面表现基本满意，这也大大增强了我们对小安学习的信心。这主要要归功于老师们的辛勤付出和良好教育！在此，对老师们表示衷心感谢！希望小安在新学期里保持良好成绩的同时取长补短，通过自己的努力和老师的教诲改掉自己粗心大意、字迹不端的缺点；也希望小安在修好学业的同时能够多承担集体、家庭责任，多关心天下事，做一个有责任感，品学体兼优的好孩子，好学生！

9、希望诗伊在新的学期里认真学习，和同学们融洽相处，争取在思想道德、文化素质、劳动技能、健康等方面的素质继续创优。也希望诗伊积极主动，大胆的通过自己的努力当上班干部，争创三好学生。也借此机会，对老师们说一声：你们辛苦了，谢谢你们！希望昕雨在新的一年里勇敢、坚强，好好学习！

10、喆喆希望你在下一学期里培养好对学习的兴趣，有一个好的学习习惯，以取得学习上的进步！

11、希望宇斓做爸妈喜欢的孩子，做老师喜欢的孩子，做同学喜欢的孩子！

12、在新的学期里，世豪长身体、长知识、长能力，健康快乐！学校、家庭共同配合！

13、航航尽管成绩有所提高了，但是她的缺点还是没有改掉，作业不自觉，脾气很不好。我们真希望她能彻底改掉这些毛病，那你的成绩会更好！

14、妈妈希望陈易初在新的一年里身心健康，学习进步，将来做个对社会有用的人。

15、一学期的集体生活，让清清养成了良好的学习生活习惯和学习态度。在一学期里期终考试取得了不错的成绩。不仅如此，还能在集体里和小朋友们和谐相处，交了好多好朋友。经过老师的帮助，她还克服了懦弱的缺点，

16、在德、智、体、美、劳各方面都取得了不错的进步，做为父母感到很高兴。感谢老师们对孩子的培养。在新的一年里，希望我们清清能更加努力学习，有各方面都能有所进步，争取“三好学生”。半年的小学生毛丫长大了不少，也在老师的教导下取得了不错的成绩，好样的。你不是个特完美的孩子，爸妈只希望你能快乐地生活和学习，快乐地度过自己的童年。

17、希望新学期，在老师的辛勤培育下，殷茂稼在各方面都能更出色！更优秀！

18、楚楚在家中的表现证明，有好多事情还可以做得很好。但在对待学习上总是较为随意、粗心，自觉性不够。集体意识较强，爱好广泛，爱帮助人，帮忙做的家务可以做的很好。新的学期里，我们将结合学校的学习计划，对你严格要求，改正缺点，把学习搞好。

19、希望滨杰能自觉学习、看书，不要再让大人催促才肯完成作业，愿他健康、快乐！

20、希望傅诗怡在新的一年中以有静下心来，认真学习，在学习生活中多些耐心，多动脑子，胆子再大一些，在各方面都在进步！

21、希望许世杰在新的学期里有新的进步，尊敬老师，爱护同学，上课认真听，能积极发言。希望波波在老师的精心培育下茁壮成长。

22、莲莲在第一学期各门学科都取得了不错的成绩，是离不开老师的正确教育，希望第二学期学习更认真努力，争取各方面取得更大的进步！

23、希望姜楠能在第二学期养成一个好的学习习惯，每天到托管中心先吃点心活动一下，然后做作业，养成自己检查作业的习惯，学会自己整理书包。希望今后能够更大胆些，多与同学交往沟通。

个人评语范文第2篇

关键词： 教育个人成本 教育私人收益 不平衡性 改进措施

一、教育成本概念

教育成本指培养每一名学生所支付的全部费用，即各级各类学校的在校学生在学期间所消耗的直接和间接活劳动和物化劳动的总和。有公式表示为：教育成本=教育直接成本+教育间接成本。

教育直接成本是社会与个人为教育而直接支付的费用总和，分为教育社会成本和教育个人直接成本。

教育社会直接成本主要是指国家、政府直接支付的教育费用，以及社会集资捐资的经费；教育个人直接成本主要是指学生家庭和学生个人直接支付教育费用，诸如学费、杂费、书籍文具费、住宿费、交通费和生活差距费等。

教育间接成本是社会和个人为教育而间接支付的教育费用，有时也称“机会成本”、“择一成本”。教育个人间接成本是指学生已满法定劳动国年龄因受教育而放弃的就业收入的成本。

所谓教育个人成本与收益不平衡性，主要是针对个人投入的教育成本，不能得到成正相关的个人收益，一般是指负收益。

二、教育个人成本的计算方法

教育个人直接成本核算计算方法：

S=R+D+H+B

式中S为个人直接成本，R为学杂费，D为生活差距费，H为交通费，B为书籍文具费。

韩宗礼（1988）提出的计算大学生总间接成本：

M=［（p×a×）］i

M为概率项数，n为求学年限，p为可能在某部门就业的概率，a为一年放弃收入的时间百分比，A为同一就业部门水平相当的职工年平均收入，i和j为选择职业的项数序，∑为加总符号。

三、教育私人收益分析

教育私人收益可分为两种，市场化私人收益和非市场化私人收益。所谓教育的“市场化私人收益”就是受教育者从教育中获得的最终可用货币度量的收益。教育的市场化收益有教育质量的收益和教育数量的收益两种类型。前者指在受教育年限不变的情况下因教育质量的提高而获得收益，后者指从增加的教育年限中得到的收益。

教育的非市场化私人收益可以表现为以下几方面：第一，教育具有消费收益，也就是个人在受教育期间所获得的乐趣、快乐等。每二，教育生产消费者选择效益。第三，教育改变储蓄行为。实证研究表明，人们接受的教育与储蓄率之间存在着正相关。第四，教育提高家庭内部生产力。

四、教育成本与教育收益不平衡性的表现在个人教育的负收益

1.对那些学习成绩不好或不爱学习的学生来说，上学可能只是痛苦的经历。

这主要是指教育的非市场化私人收益，在受教育过程中，或受教育之后，受教育者并没有在精神、情感，以及各种社会行为中得到有利影响，反而对受教育产生抵触心理，导致许多负面影响的形成。比如，在受教育过程中被教师批评、处罚，因不喜欢上学而产生破坏行为等，这些都是教育非市场化的私人负收益。

2.过度教育产生的低效率，使得教育成本增加，教育资源浪费，收益相对减少。

从理论上来讲，受教育数量与个人收入是成正相关的。但由于我国最近几年出现了高学历热，不少人只顾追求升学率和受教育数量的增加，而忽视了教育质量的提升，导致受教育者学历虽高，但无法找到收入满意的工作，甚至失业率增加。

因此，笔者认为，当就业能力达到一个最佳点时，再接受教育，只会加大教育成本，这时受教育若对个人收益产出没有任何价值，受教育者可以选择就业，以扩大个人收益。

五、原因分析

1.教育结构体系缺乏必要的衔接和沟通。

普通教育缺乏职业化教育，学生只懂得一些理论知识，而缺少对专业所属行业，以及专业的社会性的认识，因此学到的知识是和社会与行业脱钩的、无联系的，从而导致在求职时无法适应用人部门的需求。因而，多年的教育成本投入，以及教育资源的使用，都得不到正常的回报。

2.一些大学生主观意识不强，没有紧迫感。

一些大学生进了大学校门就有一种安逸感，自以为进入了保险箱，但随着市场经济的不断深化，竞争上岗已成为适应经济发展的就业机制。因此，这些学生无法适应社会，也无法在竞争上岗中获胜。

六、改进措施

1.深化学校的教育改革，加强普通教育与职业教育的沟通、融合和衔接。

现在的职业院校就业状况保持良好，这是因为职业院校的培养方向就是针对用人单位、针对受教育者的教育。因此，笔者认为大学应走职业化和综合化相结合的道路。也就是说，在包括专业设置，培养计划、目标、方向的设置上，除了侧重于学生的理论研究之外，更要加强受教育者的实践能力，了解行业动态，以找准个体在行业的定位，根据社会用人标准和行业标准，培养学生，为社会培养更多实用性人才。

2.学校应加强以就业为导向的社会定位。

随着我国社会主义市场经济体制的逐步建立，毕业生按指今性计划就业的政策逐步取消，教育机构的自主性不断增强，新的办学形式、办学机构也大量出现。而这些变化影响了学生对受教育的选择和用人部门对毕业生待遇的规定。因此，无论何种教育机构，都应把保证学生高就业率作为核心价值和社会定位，这样对教育机构来说是高产出，对学生个体来说也会有可观的收益。

3.提高受教育数量的同时，更应重视受教育者的质量。

高学历是社会发展的需要，也是提高国民整体水平的表现，但是受教育过程中，不能一味地追求高学历，追求受教育者数量的增加。当教育机制和用人机制都以质量为先，那么全社会，以及个人的教育成本都会得到控制，个人收益也会相对增加。

4.制定合理可行的收费制度，有效控制教育个人成本。

政府和教育机构应建立合理的政策和制度，保证收费的合理性，使受教育者合理地投入教育成本，避免不正当的收费现象的发生，这样可以有效地控制教育个人成本，使教育个人成本最小化。

参考文献：

［1］刘志民主编.教育经济学［M］.北京大学出版社.

［2］杨克瑞，谢作诗著.教育经济学新论［M］.人民出版社.

个人评语范文第3篇

关键词：评定；测量；16PF

卡特尔十六种人格因素测验（简称16PF）是由美国伊利诺州立大学人格及能力测验研究所的卡特尔教授经过几十年的系统观察和科学实验编制而成的一种精确的测验方法。他把人的个性分为“表面特质”和“根源特质”，所谓表面特质是指一个人经常发生的、可以从外部观察到的行为；而根源特质则是制约着表面特质的潜在基础。卡特尔从许多表面的行为中抽取了16种“根源特质”，称为16种个性因素，然后他又据此编制了专门的量表来测量这16种特质。16PF 在国际上颇有影响，并具有较高的效度和信度，广泛应用于人格测评、人才选拔、心理咨询和职业咨询等工作领域。

要区分评定和测量的区别首先必须明确二者的定义上的区别：评定是指根据事物（行为）的观察或对事物（行为）的数量化或非数量化描述来确定事物（行为）的价值。评定是以自然观察为基础的，但评定过程绝不是现场观察的直接记录和短暂印象，而是比较长时间的纵向观察或多次印象的综合，因此评定在某种程度上也包含了评定人的主观解释和评价的意义。测量是对事物的区分过程，这一过程必须是按照一定法则的，区分的结果必须是能够用数字的方式进行描写的。由二者的定义可知测量是指依托于科学合理、公正客观的测量法则，以数量化的方式对人的能力倾向、个性特征进行测评；评定是在长期观察基础之上，根据观察者的多次印象，以定性的方式对人的能力倾向、个性特征进行鉴定和判定。因此可知，评价与测量的区别：

1.测量是定量分析、客观描述；评定是定性分析，主观判断。结合受测者的主观自我评价和16PF法的客观测量可以印证上述观点。在人格自我评定中，受测者给自己的分数往往趋向于乐观积极、被认为成功者应该普遍具备的的个性因素，例如：根据他人的评论以及个人的长期地自我观察和体会，在乐群性一项给了自评高分7分，认为自己倾向于乐群外向的高分者特征，而实际的测量分数为低分2分，趋向于缄默孤独的低分者特征；在有恒项中，自评8分的高分，认为自己更倾向于有恒负责，而实际的测量结果为低分4分，趋向于权宜敷衍的低分者特征；此外，在其他各项中也不同程度地出现了这种主观上给予自身有利得分的现象。可见评定由于存在大量的主观判断，容易受多种干扰因素的影响，出现大量的误差；而测量依托于经过科学设计和检验的测量法则，利用量化方式对事物进行区分，比较公正客观，更能够揭示个人的根本特质。

2.测量的结果更加量化，更加直观，更容易用于比较和判断，有利于调查者对单个项目程度的把握；而评定是定性分析，主观判断，其结果很难被数量化，不容知道易判断其程度高低，很难用于比较和分析。在实际的人格测评中，往往出现这种现象：调查者通过长期观察和主观分析可以知道某个被调查者有相关方面的特征，但很难知道其该方面特征的程度高低，也无法对多个被调查者的该项特征进行比较。例如：在本次测评中，调查者知道受测者聪慧性一项特质可能较明显，但“聪慧”的程度却很难把握。

3.测量过程耗时短，评定过程耗时长。测量过程通常需要被测者填写相关量表，进而获得量化测量结果，时间短，程序较简单；而评定过程需要对被测者进行长期的观察，还要通过对被测者周边相关人员进行面谈等方式获得评定信息，得出评定结果，耗时长，程序较复杂。

4.测量方法比较单一，评定可以采用多种方式结合进行。测量主要通过利用专业的测量工具进行；而评定可以采用自评、互评、面谈、观察等多种方式。

通过观察测评的实验数据可知：评定和测量结果存在一定差异，分析其原因为：

1.对于乐群、有恒两个差异较大的项目，笔者认为差异产生原因是受测者出于社会荣誉倾向，不自觉地美化自己。对于现代社会而言，大多数情况下乐群外向者和有恒负责者更加受欢迎，更容易成功，也更容易受到社会赞誉和公众认可，同时在我们的社会伦理中对于此类个性特质的人群评价往往高于缄默孤独者和权宜敷衍者，因此，在自我评定时受此影响不自觉地给了自己过高分数。

2.答题过程中由于缺乏相关的实际体验和实践经验，判断过于主观随意，甚至有一定敷衍成分。在16pf评测答题过程中，经常出现此类题目：如果待遇相同，我愿做一个：A 化学研究工作者；B 不确定；C 旅行社经理。对于这类题目需要答题者有相关的实际体验或者是一定程度的社会见闻，否则很难根据自身的偏好进行选择。大多数人其实并不是很了解上述答案中的三种工作的工作环境、工作任务和工作条件，缺乏相关的体验和见闻，无法判断自己是否喜欢或适合此类工作，因此对于他们而言，选择哪一个都是一样的，往往出现主观随意、敷衍塞责的现象，而这就会造成测量结果的失真。

3. 个人对自我的定位和心理预期，以及成就动机（渴望成功）的影响。每个人都有其对自我的整体定位和心理预期，也都有渴望成功的成就动机，这些主观因素会使得人们在自我评定时往往趋利避害，给予自身有利的评价，这就造成了评定与测量的差异。

4.由于表面特质的影响和误导，个人做出错误的判断。所谓表面特质是指一个人经常发生的、可以从外部观察到的行为；而根源特质则是制约着表面特质的潜在基础，二者有时存在较大差异。在现实生活中，人们往往依据表面特质对自我或他人进行评价，而人们得到的评价也往往是基于表面特质的评价，久而久之，人们形成了对自身个性的基于表面特质评定的惯性思维，并通过这种惯性思维的思考形成了对自身个性的最终评定结果。但是16PF法是利用客观的测量规则对16种根本特质的测量，这就必然导致评定和测量的差异。

5.由于自我评定结果难以量化，被测者知道自身趋向于某方面人格特质，但并不能很好地了解这种趋向的程度高低，而当要将主观评定结果落实到数字量化表格中时，又很难理解不同分数之间在该项目程度上的差异，因此出现了一定误差。（作者单位：山东大学管理学院）

参考文献：

[1]明：《人员素质测评》 ，山东人民出版社2013年版

个人评语范文第4篇

关键词：人力资本；综合评价；主成分分析法

中图分类号：F240 文献标志码：A 文章编号：1673-291X（2016）28-0111-03

引言

伴随着知识经济、信息经济的不断发展，人力资本在经济发展中的作用越来越显著。自20世纪60年代起，人力资本理论受到许多研究者的关注，并引发了政府部门的重视。自西部大开发，陕西省作为其门户，又为教育大省、旅游大省，人力资源蕴含了巨大的智力和动力能量，人力资本水平不断增长，但是与我国中、东部地区比较仍存在一定的差距。同时在陕西省内部，由于地理条件、自然资源禀赋、国家政策等各个方面因素的影响，各地级城市的人力资本水平也存在着明显的差异。因此，本文选取陕西省10个地级市作为研究对象，通过构建人力资本水平的综合评价指标体系，利用《陕西省统计年鉴（2015）》及各地区统计年报数据对陕西省各个地区的人力资本水平进行综合比较研究。

一、指标选取与评价方法

（一）指标的选取

根据贝克尔的人力资本理论，人力资本投资主要包括教育投资、培训投资、健康投资、迁徙投资和信息投资等。因此，本文将人力资本综合评价指标体系设计为三个层次，4个一级指标，14个二级指标（见表1）。

（二）评价方法

在设计的评价指标体系中，不同指标之间可能存在一定相关性，由于指标较多且各指标之间存在一定的相关性，这势必增加了问题分析的复杂性。主成分分析法就是利用降维的方法将多个指标转换为少数几个不相关的指标，从而使进一步研究变得简单的一种统计方法。每个主成分均是原始变量的线性组合，且几个主成分之间互不相关。本文运用多项指标对陕西省各地区人力资本水平进行综合评价，需要进行降维处理。

二、陕西省各地区人力资本水平综合评价实证分析

（一）数据来源

本文以陕西省各行政市为单位，选取2014年的统计数据，以西安市、咸阳市、宝鸡市、铜川市、渭南市、延安市、汉中市、榆林市、安康市、商洛市为研究对象（杨凌农业高新技术产业示范区部分数据缺失，故不做分析），运用SPSS17.0采用主成分分析方法对各地区的人力资本水平进行综合评价。所用原始数据来自《陕西省统计年鉴（2015）》及各地级市《2014年国民经济和社会发展统计公报》。

（二）方差分解与主成分的提取

本文首先对于各指标进行标准化处理，并通过相关系数矩阵检验可知，部分指标之间存在较强的相关性，因此采用主成分法进行处理，特征根与方差贡献率（见表2）。

由表2可以看到，在方差累计贡献率达到85%以上时，本文分别选取Y1为第一主成分，Y2为第二主成分，Y3为第三主成分，Y4为第四主成分，这4个主成分之方差和占全部方差的89.007%，即原来指标的信息基本上被保留，指标数由原来的14个转化为4个，起到了很好的降维作用。

（三）主成分分析

通过对合特征根进行方差最大化旋转，得到各特征根的向量矩阵（略），根据向量矩阵可以得到4个主成分Y1、Y2、Y3、Y4的线性组合为：

Y1=-10.3616*X1+0.333*X2+…+0.311*X14

Y2=-0.096*X1+0.088*X2+…+0.218*X14

Y3=0.248*X1+0.291*X2+…+0.265*X14

Y4=0.048*X1+0.053*X2+…-0.109*X14

主成分的经济意义由线性组合中权数较大的几个指标的综合意义来确定。第一主成分Y1中，X2、X11、X12、X14的系数远远大于其他变量的系数，所以Y1主要是万人中高等教育学校在校学生数、万人平均民用汽车拥有量、平均公路客运量、人均电信业务量这四个指标的综合反映，可以看到因为由Y1来评价人力资本水平已有54.744%的把握；第二主成分Y2中，X4、X6、X10的系数远大于其他变量的系数，所以Y2主要是万人科研项目数、万人卫生机构数、万人公路里程这三个指标的综合反映，占信息总量为17.742%；第三主成分Y3中，X1、X3、X5、X7、X13的系数远大于其他变量的系数，所以Y3主要是万人拥有普通中学学校数、万人拥有普通小学学校数、万人申请专利数、人口死亡率、人均邮政业务量这五个指标的综合反映，它代表着人力资本基础信息状况，占信息总量的9.483%；第四主成分Y4中，X8、X9的系数远大于其他变量的系数。所以，Y4主要是万人拥有卫生机构床位数、万人拥有卫生技术人员两个指标的综合反映，代表着医疗人力资本基本状况，占信息总量的7.038%。

（四）结果分析

由于每个主成分不能反映陕西省各市人力资本状况涵盖的所有信息，因此根据表2中的前4个特征根求和，4个特征根占比作为权重来加权计算陕西省各地区人力资本综合发展状况的因子总得分，来反映各地区的人力资本水平，进而可得陕西省人力资本综合评价模型为：

利用上述分析方法得到的反映经济综合发展水平的公式，经具体计算，得出陕西省各地区最终得分与排名（见表3）。

根据综合得分可以看出，西安市的综合得分为4.278，安康市的综合得分为-1.765，相差将近6，存在一定差距，说明陕西省人力资本存在区域不平衡现象。从综合得分值可以看出，本文将陕西省的10个市级单位分为四类，第一类包括西安（4.279）；第二类包括延安（0.788）、铜川（0.501）、榆林（0.049）、宝鸡（0.001）；第三类包括咸阳（-0.250）、汉中（-0.683）；第四类包括渭南（-1.233）、商洛（-1.685）、安康（-1.765）。

从分析结果得出，陕西省10个地级城市的人力资本综合发展状况基本良好。从平均综合得分来看，西安市人力资本发展水平是最高的，位居全省第一，而且与其他市有较大的差距，西安市是陕西省的省会城市，西安已经建设为国家重要的科技研发中心，是西北高校聚集地和全国重要交通运输枢纽，其人力资本综合发展水平遥遥领先于其他几个市。关中地区其他几个市的人力资本综合发展水平不仅有些落后而且不均衡，差异性略大，但都是有发展潜力的城市，无论是教育水平、健康水平还是交通信息水平都有很大发展空间。位居全省第二和第四的延安市和榆林市人力资本发展水平程度高。延安和榆林虽然地处陕北地区，但是其丰富的自然资源带动了整个城市的快速发展。从分析结果可知，位于陕西南部山区的汉中、安康和商洛3个城市人力资本平均综合发展水平在全省比较落后，汉中市人力资本发展水平相对较好。安康市和商洛市由于所处地理位置的缘故各方面发展都比较落后，致使该地区的人力资本水平发展相对困难。

个人评语范文第5篇

针对传统信用评估方法分类精度低、特征可解释性差等问题，提出了一种使用稀疏贝叶斯学习方法来进行个人信用评估的模型（SBLCredit）。SBLCredit充分利用稀疏贝叶斯学习的优势，在添加的特征权重的先验知识的情况下进行求解，使得特征权重尽量稀疏，以此实现个人信用评估和特征选择。在德国和澳大利亚真实信用数据集上，SBLCredit方法的分类精度比传统的K近邻、朴素贝叶斯、决策树和支持向量机平均提高了4.52%，6.40%，6.26%和2.27%。实验结果表明，SBLCredit分类精度高，选择的特征少，是一种有效的个人信用评估方法。

关键词：

稀疏贝叶斯学习；分类；信用评估；金融风险；特征选择

0引言

信用评估是商业银行控制风险的关键技术，发生在美国的“次贷危机”就是信用风险的大爆发，因此信用评估方法的研究具有非常重要的现实意义。信用评估实质上是数据挖掘中的分类问题——将贷款者根据其属性分成能够按期还本付息的可信的“好”客户（正类）和违约的“坏”客户（负类）两类，进而预测未来贷款人的违约风险，为消费信贷决策提供科学依据。

由于信用评估的重要性，它已成为近年来的研究热点，信用评估的方法主要有决策树[1]、朴素贝叶斯（Nave Bayes）[2]、K近邻（KNearest Neighbour， KNN）[3]、支持向量机（Support Vector Machine， SVM）[4-6]、自然计算[7-8]及这些方法的集成[9-11]等。但已有方法大多存在分类精度低，不能有效进行特征选择以致模型可解释性差[8]等问题。本文将最近几年在信号处理、模式识别中的研究热点——“稀疏学习”引入到信用评估中，提出了一种基于稀疏贝叶斯学习（Sparse Bayesian Learning， SBL）的个人信用评估模型（Sparse Bayesian Learningbased Credit， SBLCredit）。SBLCredit模型首先添加各属性的权重先验知识，然后在该先验知识约束下求解属性权重，以此建立信用评估模型；对于一个待分类样本，先计算各权重与属性值乘积的累加和，然后将得到的值映射到正、负类。据作者所知，这是首次将稀疏学习方法应用到信用评估上。在取自德国和澳大利亚的真实信用数据集上做了实验，结果表明，相对于传统的KNN、Nave Bayes、决策树和SVM分类方法，SBLCredit算法具有更高的分类精度且选出的特征更稀疏。

1稀疏贝叶斯学习框架

稀疏学习是近年的研究热点，在信号处理、模式识别和机器学习等领域得到了广泛研究，而稀疏贝叶斯学习框架是一种典型的稀疏学习方法，相对于传统的基于L1惩罚项稀疏学习方法（比如Lasso、Basis Pursuit），SBL具有明显的优势[12-13]：1）在无噪声情况下，除非满足特定的条件，L1算法的最优解并不是真正的最稀疏解。因此，当真实解是最稀疏解的应用场合，SBL是最佳选择。2）当感知矩阵的列与列之间相关性很强时，L1算法的性能非常差。但在这种情况下，SBL仍然能获得良好的解。3）已经有研究表明，SBL等价于一种迭代加权L1最小化算法，L1算法仅仅是其第一步，因此，SBL完全可以获得比L1更优的稀疏解。

稀疏学习/压缩感知的一般模型可描述为：

其中：D为N×M的感知矩阵，y为N×1维压缩信号，x为M维待求解向量，v是噪声。为了得到稀疏的x，SBL假设x中的每个元素都服从一个参数化的均值为0，方差为γi的高斯分布：

p（xi；γi）=N（0，γi）；i=1，2，…，M（2）

其中：xi是x中的第i个元素，γi是未知参数，其值将由算法自动估计出来。在算法的运行过程中，部分γi变成0或趋于0，SBL通常将小于某个阈值的γi置为0，此时对应的xi也为0，以此达到稀疏的效果。在有噪声的情况下，通常假设v为方差为λ的高斯白噪声向量，即：

p（v；λ）=N（0，λI）（3

根据贝叶斯规则很容易获得噪声的后验分布，也为一高斯分布。当所有的未知参数γi和λ都被估计出来后，x的最大后验估计由这个高斯分布的均值给出，而这些未知参数由第二类最大似然估计[12]获得。

2基于稀疏贝叶斯学习的个人信用评估

SBL本身的模型就是一个稀疏线性回归模型，在求得式（1）中的解向量（回归系数）x后，对于一个测试样本T，可以计算其观测值（自变量或属性值）A=[a1，a2，…，aM]与压缩信号（因变量）r之间关系的表达式，如式（4）：

r=Ax=∑Mi=1aixi（4）

其中：ai是测试样本的第i个属性值；r是一个实数，为了将SBL用于分类问题，必须将其映射为类标签，在本文，分别采用1，-1表示正、负类标签，将正数和0的r映射为1，负数映射为-1，即：

3实验结果及分析

3.1实验环境

本文采用加州大学欧文分校（UCI）提供的机器学习公开数据集中[15]的德国信用数据集和澳大利亚信用数据集对本文方法进行验证。

德国信用数据集中，采用“german.datanumeric”文件内的数据，该数据集被广泛用于个人信用评估方法的验证。包含1000个样本，其中包括700条无违约记录的正样本和300条有违约记录的负样本，每个样本包括24个属性和一个表示正或负的类标签。前20个属性涉及用户的基本信息、工作信息、财产信息、信用记录等[7]，后4个属性未给出确切含义，如表1所示。

澳大利亚信用数据集包括690个样本，其中正、负样本分别为307个和383个，每个样本有14个属性，其中8个属性具有离散值，6个属性具有连续值，由于涉及到保密，该数据集并未给出每个属性的具体含义，仅用符号表示。其中37个样本部分属性具有缺失值，对于离散型的缺失值，用同类别样本中该值最频繁的值替代；对于连续型的缺失值，用同类样本在该值上的平均值替代。

为了减少较大属性值对分类效果的影响，本文对所有数据进行了预处理，将所有属性值线性映射到[0，1]区间。

实验平台为：Pentium双核2.60GHz CPU，4GB内存，Windows 7，Matlab 2012。为了评估SBLCredit的性能，与KNN、Nave Bayes、决策树和SVM进行比较。其中：KNN算法中的K取10，决策树采用C4.5算法，SVM采用径向基函数（Radius Basis Function， RBF）核函数。

3.2实验结果

k折交叉验证是基于给定数据随机选样划分的，是常用的评估分类方法准确率的技术。因此，为了更准确地评估SBLCredit算法的准确率，把每个数据集分成5个互不相交的子集，把这5个子集按4∶1的比例组成训练集和测试集，进行5折交叉验证，再将分类精度与传统的KNN、Nave Bayes、决策树和SVM进行比较。

在德国信用数据集上的结果如图1所示。

实验结果表明，在德国信用数据集上，相对于传统分类方法，SBLCredit算法表现出了更高的分类精度，比KNN、Nave Bayes、C4.5和SVM的分类精度分别提高了5.52%，4.14%，6.68%和3.26%。同时，该数据集中的24个特征在SBLCredit分类中的重要程度如图2所示，可见，24个属性中的第8，13，21，23，24个属性对分类几乎没有贡献，而第1，2，3，15，18，19个属性对分类非常重要，由此可以看出，SBL能进行有效的特征选择。