贷款业务是银行极为重要的资产业务,因此对于申请贷款的人进行信用评估就显得十分重要。对于信用评估机构和评估人员来说,信用评估指标是他们从事信用评估工作的基础和依据。然而在众多的信用评估体系中,人们只是着重于评估模型的建立,而对信用评估的基础——评估指标体系的选择却显的过于简单。他们大多数依从财务专家建议,或只是进行简单的筛选,并没有在此领域进行深入的探讨。在统计学习理论中,结构风险最小化的支持向量机(Support Vector Machine,简称SVM)算法克服了传统信用评估模型中的过拟合和局部最优的缺点,并且通过在模型中采用核函数,有效地解决了线性不可分问题,是一种有效的模式分类方法,具有速度快,准确率高的特点。然而在处理大规模和高维数问题时,依然要花费较多的时间,因此如果在此之前能进行有效的特征选择、消除冗余,将在一定程度上提高SVM的分类性能。本文将满意优化思想引入到了信用指标选取这一特征选择问题中,以遗传算法作为特征子集搜索策略,在综合考虑了选出的特征子集的维数、特征提取复杂度和各个信用等级上的预测能力的基础上,并结合个人信用评估中实际问题的需要,设计了独特的特征集满意度函数来对所选取的特征子集进行满意程度的评价。文中采用SVM 5 ? foldCV方法评估特征子集的预测性能,通过与基于SVM的其它三种Wrapper特征选择方法比较后发现,满意特征选择方法(SatisfactoryFeature Selection Method,简称SFSM)能选取出维数较小、总体性能较优、等级间预测性能比较均衡的特征子集,是一种有效且实用的特征选择方法。