結(jié)合支持向量機(jī)的特征選擇方法在信用評(píng)估中的應(yīng)用外文翻譯-其他專業(yè)-免費(fèi)閱讀
【正文】 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。 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 ％。 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 。同樣地， GREX也是 運(yùn)行修改后的數(shù)據(jù)集。我們 32 測(cè)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。分 解法和教學(xué)法的區(qū)別如圖 Fig. 。 半透明準(zhǔn)則考慮支持向量機(jī)的技術(shù)的感知度。 簡(jiǎn)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(méi)有和 規(guī)則抽取技術(shù) 相同的 詮釋 性。更 深入一步來(lái)說(shuō)：《美國(guó) 公平 信貸機(jī)會(huì) 》 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。 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。在將來(lái)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。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(guò)程的。 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(lái)。 Huang, Liao, amp。 最近 ， 它也被用 來(lái)解決 現(xiàn)實(shí)世界中的一些問(wèn)題 ， 如信用 評(píng)級(jí) (Huang et al., 2021。但 LDA 僅僅通過(guò)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。 Kann, 1998)，快速搜索難以計(jì)算。過(guò)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(lái)說(shuō)， 信用評(píng) 級(jí) 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(wèn)題 。 Ong, 2021)、粗糙集理論方法(Caballero, Alvarez, Bel, amp。 常用的評(píng)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(lái)去 除無(wú)關(guān)的特征。在本文里，我們將會(huì)對(duì)所提出的方法步驟加以描述，并通過(guò)他們的分類性能進(jìn)行評(píng)估。本研究在保留足夠的特征信息條件下，提出了四種與支持向量機(jī)相結(jié)合的特征選擇方法。信用評(píng) 級(jí) 模型的開(kāi)發(fā) 是 根據(jù)以往 客戶 的 記 錄 ，即他們的相關(guān)屬性諸如收入、婚姻狀況、年齡或其他屬性來(lái) 區(qū)分哪 些是優(yōu)質(zhì)客戶 （接受 貸款 ）或 者是不良客戶 （拒絕 給予貸款 ） 。 Lee amp。 Lee和他的同事們 (Lee, Chiu, Lu, amp。而最近發(fā)展起來(lái)的數(shù)據(jù)挖掘技術(shù)不存在這樣的限制條件，可以實(shí)取得優(yōu)于傳統(tǒng)統(tǒng)計(jì)分析方法更好的預(yù)測(cè)性能 (Huang et al., 2021)。 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。為了比較不同的信用評(píng) 級(jí) 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(gè) 基于SVM 的特征選擇方法 ，即 (1)利用 格點(diǎn)搜索優(yōu)化模型參數(shù)，但不進(jìn)行特征選擇 ；(2) 利用 LDA,RST,DT 和 Fscore 方法進(jìn)行特征選擇，然后用格點(diǎn)搜索優(yōu)化選擇模 型參數(shù)。然而 ,優(yōu)質(zhì)和不良客戶類的協(xié)方差矩陣關(guān)于真實(shí)的信貸數(shù)據(jù)可 能是 不平等的。 Chou et al., 2021。支持向量機(jī) 的獨(dú)特優(yōu)勢(shì) 在于它可以從理論上分析計(jì)算學(xué)習(xí)理論的概念， 并 同時(shí) 實(shí)現(xiàn)良好的性能 ?？梢酝ㄟ^(guò)歸一化方程 (10)將每個(gè)變量值以線性的方式縮放在 [0,1]的范圍內(nèi)，其中 ? 是原始值， newv 是縮放值 , vmax 是最大值， vmin 是最小值。與此同時(shí)，這不僅能減少變量的數(shù)目，還能 消除噪聲 的 輸入 。 16 外文翻譯之 二 Comprehensible credit scoring models using rule extraction from support vector machines 作者： David Martens ,
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1