結(jié)合支持向量機的特征選擇方法在信用評估中的應用外文翻譯-其他專業(yè)(存儲版)
【正文】 Bart Baesens , Tony Van Gestel , Jan Vanthienen 國籍： Belgium,United Kingdom,Belgium,Belgium 出處： European Journal of Operational Research 原文正文： 28 可理解的使用規(guī)則提取支持向量機的信用評分模型 作者： David Martens , Bart Baesens , Tony Van Gestel , Jan Vanthienen 國籍： Belgium,United Kingdom,Belgium,Belgium 出處： European Journal of Operational Research 中文譯文： 29 摘要 近年來 ,支持向量機應用廣泛。 關鍵字：信用評估、分類、支持向量機、規(guī)則提取 簡介 支持向量機是一種廣泛應用于眾多領域 [8]的新興的數(shù)據(jù)挖掘技術，如信用評估 [2]、 金融時間序列預測 [14]、 垃圾郵件分類 [9]、腦部腫瘤分類 [19]等。 分解法與 SVM的內(nèi)部結(jié)構緊密相聯(lián)，而教學法則是 與模型的輸入和輸出直接相關的規(guī)則提取。 （ 3）、 神經(jīng)網(wǎng)絡 的特定訓練體系。也就是說， 這些數(shù)據(jù) 更加清晰，更能避免沖突。 準確度可以衡量正確預測得到的樣本的比例，也反映 預測 以往案例的準確度。其次，用 RBF內(nèi) 核 和支持向量機模型的 格 點 搜索 方法來確定參數(shù) r和 c。第二個信用評級數(shù)據(jù)集來自 比荷盧經(jīng)濟聯(lián)盟（比利時、荷蘭、盧森堡） [12]破產(chǎn)的 中等市值公司（中型公司） 。 對于 Fung等人提出的 技術 ， 所用的規(guī)則 [11]如下： if (Cell Size63) amp。利用支持向量機模型取 34 代原 始 數(shù)據(jù)點 消除了明顯的沖突，并創(chuàng)建 了 一個更 清晰的 數(shù)據(jù)集。 。 其次 ， 黑 盒模型 規(guī)則提取只失去 很小比例 的準確度 。 另一方面 。第一個是澳大利亞的信貸數(shù)據(jù)集[15]，涉及信用卡申請。 為了得到一個公平的結(jié)果，我們利用以下設置對每個數(shù)據(jù)集都運行了 20次。 表格 Table 1簡單描述了各種 SVM規(guī)則提取技術的半透明性和規(guī)則的 表現(xiàn)力 。這些技術一般都采用訓練出來的 SVM模型 標 注 或分類 （人工生成）訓練樣本 。 Andrews等人 [1]在神經(jīng)網(wǎng)絡規(guī)則提取技術的基礎上， 提出一個容易擴展到支持向量機 并滿足下列條件的 分類計劃 ： （ 1）、基于神經(jīng)網(wǎng)絡的 提取算法 的半透明 。這些規(guī)則是可解釋的，并 盡可能保持 和 黑盒模型一樣高的準確度。我們也考慮醫(yī)學診斷和信用評估中可 理解的 一個 關鍵 問題， 甚至 提出 建議。在這個領域未來的工作里，還可發(fā)展信用評估的啟發(fā)式算法。 特征選擇在分類領域 中是一項 重要 的 任務。 為避免大的數(shù)值范圍控制了小的數(shù)值范圍，對數(shù)據(jù)尺度變換進行預處理是必要的。 Yang, 2021)等。 Schebesch amp。 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。 在 設計混合 的 支持向量機分類器 之前， 必須 先 選擇一個核函數(shù) 。 Pfleger., 1994)。 根據(jù)先前的研究 ,機器學習方法在處理信用評級問題上均優(yōu)于傳統(tǒng)方法 ,特別是非線性模式分類。 Tzeng, 2021)。研究人員已發(fā)展各種各樣的傳統(tǒng)統(tǒng)計方法 ,其中涉及線性判別方法 (Bellotti amp。 關鍵字 ： 支持向量機、線性判別分析、決策樹、粗糙集理論、 F度量 簡介 消費信貸預測在信貸行業(yè)里是一個非常重要的 問題。 1 外文翻譯之一 Combination of feature selection approaches with SVM in credit scoring 作者： FeiLong Chen , FengChia Li 國籍： Taiwan,ROC
環(huán)評公示相關推薦
鄂ICP備17016276號-1