結(jié)合支持向量機(jī)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)-預(yù)覽頁
【正文】 合的特征選擇方法。一種有效的分類模型可代替直覺的經(jīng)驗(yàn)客觀地幫助管理者進(jìn)行決策。在本文里，我們將會對所提出的方法步驟加以描述，并通過他們的分類性能進(jìn)行評估。信用評級模型在這個(gè)領(lǐng)域里快速增長 ,被廣泛應(yīng)用于信貸準(zhǔn)入評估 。 常用的評價(jià)指標(biāo)諸 如準(zhǔn)確 度 ，信息 含量 ，距離和 相關(guān)性等常被用來去 除無關(guān)的特征。 Crook, 2021。 Ong, 2021)、粗糙集理論方法(Caballero, Alvarez, Bel, amp。最近 ,研究人員又提出了 混合 的數(shù)據(jù)挖掘方法 對 有效的信用評 級 模型 進(jìn)行 設(shè)計(jì) 。一般來說， 信用評 級 可視為 將觀察數(shù)據(jù) 分類到預(yù)先定義組 的 二元分類問題 。對傳統(tǒng)的統(tǒng)計(jì)分類 ,都存在假設(shè)一個(gè)潛在的概率模型。過濾 式方法的特點(diǎn)是獨(dú)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。 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。 Kann, 1998)，快速搜索難以計(jì)算。 尋找最佳的懲罰 參數(shù) C 和核函數(shù)參數(shù) γ ，格點(diǎn) 搜索算法是一種合適的程序。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。這個(gè)簡單的參數(shù)化模型是歷史上第一個(gè)出現(xiàn)的信用評級模型。 最近 ， 它也被用 來解決 現(xiàn)實(shí)世界中的一些問題 ， 如信用 評級 (Huang et al., 2021。 Stecking, 2021),、手寫字符識別 (Camastra, 2021。 Huang, Liao, amp。 支持向量機(jī)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化（ SRM）的原則 ， 力求最大限度地 降低 泛化誤差 的上界。 其中 非線性函數(shù) ? 將原始空間映射到高維特征空間，超平面可由下面的等式構(gòu)建起來。而且數(shù)據(jù)預(yù)處理還可以避免數(shù)值計(jì)算過程中的困難，提高準(zhǔn)確性。在本研究中 ,數(shù)據(jù)降維的預(yù)處理步驟是先于 改善整體分類性能 的分類過程的。 本文給出了基于支持向量機(jī)的特征選擇的混合方法的比較，選取出大部分相關(guān)的有用特征而刪除那些不相關(guān)的特征。在將來的研究中，不同類型的數(shù)據(jù)集可分成不同的比例 (1: 1:2,2:1)以獲得更高的準(zhǔn)確率。很多有效的封裝式特征選擇方法， 如遺傳算法（ GA） 、 模擬退火（ SA） 、 蟻群優(yōu)化（ ACO）和粒子群優(yōu)化（ PSO）的開發(fā) 也是 值得嘗試 的 。 為了克服這種限制 ，人們認(rèn)為支持向量機(jī)的規(guī)則提取可以 保持盡可能多的準(zhǔn)確性。我們的實(shí)驗(yàn)結(jié)果表明 , 支持向量 機(jī)規(guī)則提取技術(shù) 與 支持向量機(jī)本身相比在性能上僅僅損失了一個(gè)很小的比例，因此，在可理解的分類技術(shù)上的排名處于領(lǐng)先地位。更 深入一步來說：《美國 公平 信貸機(jī)會 》 法案 要求金融機(jī)構(gòu)提供詳細(xì)的拒絕客戶信貸的理由， 不明確的拒絕是非法的。 有兩種規(guī)則提取的方法：分解法和教學(xué)法。 簡化復(fù)雜的 SVM模型 還有其他的方法， 如靈敏度分析 [17]和逆分類 [20]，但是沒有和 規(guī)則抽取技術(shù) 相同的 詮釋 性。 （ 2）、提取規(guī)則或樹的表達(dá)能力 。 半透明準(zhǔn)則考慮支持向量機(jī)的技術(shù)的感知度。 這些技術(shù)的 前提是假設(shè)實(shí)驗(yàn)?zāi)Ｐ捅仍紨?shù)據(jù)集更能 體現(xiàn)數(shù)據(jù) 。分 解法和教學(xué)法的區(qū)別如圖 Fig. 。我們將從 準(zhǔn) 確性、保真度和 提取規(guī)則 這三個(gè)方面評價(jià) 規(guī)則提取技術(shù)。我們 32 測試了 Ripley的數(shù)據(jù)集 [26]有兩個(gè)變量，因此可以進(jìn)行模型可視化和規(guī)則提取。首先，隨機(jī)地排列數(shù)據(jù)，每個(gè)測試集都以 2:1的比例篩選。同樣地， GREX也是 運(yùn)行修改后的數(shù)據(jù)集?；诒Ｃ?，所有屬性的名稱和變量 已改為無意義的符號 。 33 …… 4． 5醫(yī)療診斷 Wisconsin Diagnostic乳腺癌的數(shù)據(jù)集，這個(gè)任務(wù)包括乳腺腫塊 歸類為良性或惡性 。規(guī)則提取 可以提供可理 解的指導(dǎo)方針并保證較高的性能。 SVM+Prototype也被應(yīng)用于診斷乳腺癌的數(shù)據(jù)集 [22]，這個(gè)方程式 規(guī)則的準(zhǔn)確度為 ％ ， 保真度 為 ％。 由于支持向量機(jī) 在分類器中 名列前茅 ， 支持向量機(jī)規(guī)則提取 的精確性 往往已經(jīng)超過了傳統(tǒng)的方法， 例如 : logit。 眾所周知，支持向量機(jī)能夠在具有較少樣本的 高維數(shù)據(jù)集上表現(xiàn)很好
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1