个人信用评估是金融与银行界研究的重要内容,它本质上是个分类问题。随着经济的快速发展,个人信用评估的重要作用正日益加强,个人信用评估方法的研究已相当活跃。目前用于个人信用评估的分类方法可以分为统计方法和非统计方法两大类。分类树方法(也称递归分割法)属于统计方法,比较适合处理定性变量,但在处理定量变量时就有些力不从心;支持向量机是一种基于统计学习理论的新型机器学习方法,适合解决小样本分类问题。由于其出色的学习和推广性能,已经成为当今信用评估分类研究的热点。本文首先介绍了个人信用评估以及几种目前常用的个人信用评估方法,特别是分类树和支持向量机这两种方法。在此基础上,构建了一种分类树和支持向量机相结合的个人信用评估方法:先用分类树方法按照定性变量分类,然后在生成的树的各个叶结点上用支持向量机分类。这样既弥补了分类树方法不善处理定量变量之不足,又能发挥支持向量机善于处理小样本分类问题等优势。最后通过实证分析表明,该方法的分类效果较好,且比单独使用分类树方法或支持向量机方法的分类准确率高。