信用分类一直是科学研究的热点问题,尤其是在全球化的大背景下,随着互联网技术的发展,多维信用分类问题面临着新的机遇和挑战。一方面,数据量的增大,使得研究者在评估信用风险时有了更多可参考性依据;另一方面,随着技术的进步,信用数据集开始变得更加复杂,更加庞大,这对原有的一些评估流程带来了考验。多样化的信用数据集,对评估方法的灵活性提出了更大的需求,如何根据数据集的特点选择相适应的解决方案,是值得探讨的问题。本文基于数据特征驱动建模的思想,立足于国内外现有文献的研究,构建了完整的面向分类数据集的数据特征识别与解决方案,通过这一框架,可对数据集中存在的特征进行诊断,并寻找对应解决方法,提升分类器对数据的处理效果。本文将多维分类数据集中存在的数据特征整合概括为三大类:数量特征、分布特征和质量特征。数量特征又包括大样本和小样本等特征,分布特征包括高维性、稀疏性和类间不均衡性等特征,质量特征包括数据缺失性和噪声性等特征。针对每一个特征的差异化外在表现,本文分别总结了它们的检测方法,并形成了一个完整的数据特征识别方案。而针对每一个特征可能带来的问题,本文也总结了对应的解决方案。另外,针对数据集中存在的高维性特征,本文应用关联规则挖掘算法对原有的随机特征选择袋装法进行了改进,使这一方法能够更好地处理高维性问题,获得较好的实验效果。通过在多个信用分类数据集上进行实证分析,我们发现本文提出的面向多维分类数据的数据特征识别方案,能够有效对集合中存在的特征进行识别,基于这一识别结果,我们可以通过解决方案选择适当的处理方法。而与传统随机特征选择袋装法相比,本文提出的关联规则赋权特征选择袋装法能更有效地分辨出数据集中的违约样本,对高维性问题有更好的处理能力。