摘要：隨著我國金融市場的蓬勃發(fā)展,信用評價中的拒絕推斷問題越來越受到重視。針對信用評分模型中存在的有類別標簽的樣本占比低,并且樣本中的類別分布不平衡等問題,本文在半監(jiān)督學習技術(shù)與集成學習理論的基礎(chǔ)上,提出了一種新的算法——BCT算法。該算法通過使用動態(tài)Bagging生成多個子分類器,引入分類閾值參數(shù)來解決樣本類別分布不平衡問題,以及設(shè)定早停止條件來避免算法迭代過程中存在的過擬合風險,以此對傳統(tǒng)半監(jiān)督協(xié)同訓(xùn)練法進行改進。通過在5個真實數(shù)據(jù)集上的實證分析發(fā)現(xiàn),在不同數(shù)據(jù)集與不同拒絕比例下,BCT算法的性能均優(yōu)于其他6種有監(jiān)督學習和半監(jiān)督學習算法的信用評分模型,顯示了BCT算法具有良好的模型泛化性能和更高的模型評價能力。