支持向量机(Support Vector Machine)是数据挖掘的新方法,也是一种小样本统计工具,它在解决小样本、非线性及高维的模式识别问题上具有其他机器学习方法难以企及的优势。在支持向量机二类分类方法的基础上,本文深入研究了多类分类的算法及其应用。巴塞尔新资本协议希望并鼓励银行业发展内部信用评级系统,如何寻找到一种客观、可行的评级方法,如何构建内部评级系统,对国内银行从业者提出了新的要求和挑战。信用评级从科学的角度对信用度进行定性和定量分析,其本质是一个非线性的分类问题,用支持向量机可以很好地解决。本文在前人研究的基础上,围绕着支持向量机多类分类算法的改进及其在信用评级领域应用而展开。首先,根据巴塞尔新资本协议提出的信用评级体系,建立对应的评级模型。该模型的建立将信用评级过程标准化,层次化。本文主要针对模型层进行分析,通过改进模型层的核心算法,实现不同的评级方法。其次,将层次支持向量机、纠错编码支持向量机等几种适合用于多类分类的算法加以改变和优化,使之有更好的分类效果。然后结合银行提供的评级样本,使用工具箱实现了机器学习和数据评估过程。最后从性能、分类效果和易实现等角度分析了这几种多类分类算法的相对优劣。本文还分析了核函数的选取对支持向量机分类结果的影响,通过调节参数,对不同参数条件下的分类效果进行实验。分析了几种最常见核函数的性能和特点,阐述了核函数的构造和相关定理,选择实验所用的核函数——Gauss径向基核函数;同时研究了Gauss径向基核函数两个参数意义,根据数据源样本对两个参数σ和C进行调整,找寻参数值与支持向量机学习、推广性能之间的关系,最后总结了参数调节的方法。