結(jié)合支持向量機的特征選擇方法在信用評估中的應(yīng)用外文翻譯-其他專業(yè)-文庫吧
2025-12-16 02:59 本頁面
【正文】 均優(yōu)于傳統(tǒng)方法 ,特別是非線性模式分類。對傳統(tǒng)的統(tǒng)計分類 ,都存在假設(shè)一個潛在的概率模型。而最近發(fā)展起來的數(shù)據(jù)挖掘技術(shù)不存在這樣的限制條件，可以實取得優(yōu)于傳統(tǒng)統(tǒng)計分析方法更好的預(yù)測性能 (Huang et al., 2021)。 特征子集選擇算法可以分為兩類 : 過濾 式 方法和 封 裝 式 方法 (Liu, 1998)。過濾式 方法首先 是 選擇重要 的 特征 子集 。過濾 式方法的特點是獨立于任何學(xué)習(xí)算法，僅依賴于訓(xùn)練數(shù)據(jù)總 體特性的各種度量 ， 如距離 、 信息含量、相關(guān)性和一致性。封裝式 模型通常 使用預(yù)先確定的學(xué)習(xí)算法，根據(jù)預(yù)測精度來 確定所選擇的 特征 子集 。但當這些學(xué)習(xí)算法用來 計算 大量的特征數(shù)據(jù)時，所需要的成本是非常昂貴的 (John, Kohavi, amp。 Pfleger., 1994)。 一般來說，過濾 方法 速度快，可以用來作為減少 特征 空間維 數(shù) 和過度擬合 的預(yù) 處理步驟。 另一方面 ， 封裝方法在尋找相關(guān)有用的變量子集上可以表現(xiàn)的更好 (Guyon amp。 Elisseeff, 2021)。 然而， 眾所周知的是 這個問題非常困難 (Amaldi amp。 Kann, 1998)，快速搜索難以計算。在本研究中 , 過濾方法和 封 裝方法 將都被使用。與 SVM 分類相結(jié)合的特征選擇方法可以 進行更好的分類。 在 設(shè)計混合 的 支持向量機分類器 之前， 必須 先 選擇一個核函數(shù) 。 尋找最佳的懲罰 參數(shù) C 和核函數(shù)參數(shù) γ ，格點 搜索算法是一種合適的程序。為了比較不同的信用評 級 模型 ， 本 文 試圖將整體 研究分成基本的支持向量分類器和四個 基于SVM 的特征選擇方法 ，即 (1)利用 格點搜索優(yōu)化模型參數(shù)，但不進行特征選擇 ；(2) 利用 LDA,RST,DT 和 Fscore 方法進行特征選擇，然后用格點搜索優(yōu)化選擇模 型參數(shù)。 本文組織如下 ：第二部分和第三部分分別敘述結(jié)合支持向量機的特征選擇算法這四個策略和基本支持向量機的概念，第四部分根據(jù)兩個實際數(shù)據(jù)集給出實驗結(jié)果，第五部分給出評論并提供相應(yīng)的結(jié)論。 特征選擇方法的基本概念 線性判別分析方法 線性判別分析 (LDA)最初是由 Fisher 提出的一個著名分類技術(shù) (Fisher, 1936). LDA 一直被視為處理分類問題的數(shù)據(jù)挖掘技術(shù)，可降低變量的維數(shù)從而減少特征的數(shù)量。但 LDA 僅僅通過原始數(shù)據(jù)的線性變換組合成 新的變量子集 ，而不是 從原始特征空間 中直接消除不相關(guān)或冗余 的變量。因此 , 線性判別分析方法提供了一種理解數(shù)據(jù)的新方式 ， 但不能夠減少原有特征的數(shù)量 (Li,2021)。 LDA可以表示如下： 其中 y 代表 區(qū)別分數(shù)， 0? 為截距 ， i? (i = 1, . . . ,n)為與解釋變量 13 xi (i=1,2,…， n)對應(yīng)的 ? 系數(shù)。 LDA 是一種傳統(tǒng)的統(tǒng)計方法， 在信用評級上的準確率被視為是其他現(xiàn)代分類方法 的基準。這個簡單的參數(shù)化模型是歷史上第一個出現(xiàn)的信用評級模型。然而 ,優(yōu)質(zhì)和不良客戶類的協(xié)方差矩陣關(guān)于真實的信貸數(shù)據(jù)可 能是 不平等的。研究人員正在研究混合模型以克服 LDA 模型的缺陷，其中一個好的例子就是基于支持向 量機的信用評級模型。 …… 支持向量機方法 支持向量機（ SVM）是由 Vapnik 等 人 首先提出 的 一個 功能 強大的分類工具(1995 年 )。 最近 ， 它也被用 來解決 現(xiàn)實世界中的一些問題 ， 如信用 評級 (Huang et al., 2021。 Martens, Baesens, Van Gestel, amp。 Vanthienen, 2021。 Schebesch amp。 Stecking, 2021),、手寫字符識別 (Camastra, 2021。 Chou et al., 2021。 Sun, Wang, Lim, amp。 DeJong, 2021) 、 疾病 分類 診斷 (Cho et al., 2021。 Huang, Liao, amp。 Chen, 2021。 Su amp。 Yang, 2021)等。 支持向量機基于結(jié)構(gòu)風(fēng)險最小化（ SRM）的原則 ， 力求最大限度地 降低 泛化誤差 的上界。支持向量機 的獨特優(yōu)勢
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1