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(zhuān)業(yè)(存儲(chǔ)版)
【正文】 Bart Baesens , Tony Van Gestel , Jan Vanthienen 國(guó)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(jī)的信用評(píng)分模型 作者： David Martens , Bart Baesens , Tony Van Gestel , Jan Vanthienen 國(guó)籍： Belgium,United Kingdom,Belgium,Belgium 出處： European Journal of Operational Research 中文譯文： 29 摘要 近年來(lái) ,支持向量機(jī)應(yīng)用廣泛。 關(guān)鍵字：信用評(píng)估、分類(lèi)、支持向量機(jī)、規(guī)則提取 簡(jiǎn)介 支持向量機(jī)是一種廣泛應(yīng)用于眾多領(lǐng)域 [8]的新興的數(shù)據(jù)挖掘技術(shù)，如信用評(píng)估 [2]、 金融時(shí)間序列預(yù)測(cè) [14]、 垃圾郵件分類(lèi) [9]、腦部腫瘤分類(lèi) [19]等。 分解法與 SVM的內(nèi)部結(jié)構(gòu)緊密相聯(lián)，而教學(xué)法則是 與模型的輸入和輸出直接相關(guān)的規(guī)則提取。 （ 3）、 神經(jīng)網(wǎng)絡(luò) 的特定訓(xùn)練體系。也就是說(shuō)， 這些數(shù)據(jù) 更加清晰，更能避免沖突。 準(zhǔn)確度可以衡量正確預(yù)測(cè)得到的樣本的比例，也反映 預(yù)測(cè) 以往案例的準(zhǔn)確度。其次，用 RBF內(nèi) 核 和支持向量機(jī)模型的 格 點(diǎn) 搜索 方法來(lái)確定參數(shù) r和 c。第二個(gè)信用評(píng)級(jí)數(shù)據(jù)集來(lái)自 比荷盧經(jīng)濟(jì)聯(lián)盟（比利時(shí)、荷蘭、盧森堡） [12]破產(chǎn)的 中等市值公司（中型公司） 。 對(duì)于 Fung等人提出的 技術(shù) ， 所用的規(guī)則 [11]如下： if (Cell Size63) amp。利用支持向量機(jī)模型取 34 代原 始 數(shù)據(jù)點(diǎn) 消除了明顯的沖突，并創(chuàng)建 了 一個(gè)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(zhǔn)確度 。 另一方面 。第一個(gè)是澳大利亞的信貸數(shù)據(jù)集[15]，涉及信用卡申請(qǐng)。 為了得到一個(gè)公平的結(jié)果，我們利用以下設(shè)置對(duì)每個(gè)數(shù)據(jù)集都運(yùn)行了 20次。 表格 Table 1簡(jiǎn)單描述了各種 SVM規(guī)則提取技術(shù)的半透明性和規(guī)則的 表現(xiàn)力 。這些技術(shù)一般都采用訓(xùn)練出來(lái)的 SVM模型 標(biāo) 注 或分類(lèi) （人工生成）訓(xùn)練樣本 。 Andrews等人 [1]在神經(jīng)網(wǎng)絡(luò)規(guī)則提取技術(shù)的基礎(chǔ)上， 提出一個(gè)容易擴(kuò)展到支持向量機(jī) 并滿足下列條件的 分類(lèi)計(jì)劃 ： （ 1）、基于神經(jīng)網(wǎng)絡(luò)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(zhǔn)確度。我們也考慮醫(yī)學(xué)診斷和信用評(píng)估中可 理解的 一個(gè) 關(guān)鍵 問(wèn)題， 甚至 提出 建議。在這個(gè)領(lǐng)域未來(lái)的工作里，還可發(fā)展信用評(píng)估的啟發(fā)式算法。 特征選擇在分類(lèi)領(lǐng)域 中是一項(xiàng) 重要 的 任務(wù)。 為避免大的數(shù)值范圍控制了小的數(shù)值范圍，對(duì)數(shù)據(jù)尺度變換進(jìn)行預(yù)處理是必要的。 Yang, 2021)等。 Schebesch amp。 LDA 是一種傳統(tǒng)的統(tǒng)計(jì)方法， 在信用評(píng)級(jí)上的準(zhǔn)確率被視為是其他現(xiàn)代分類(lèi)方法 的基準(zhǔn)。 在 設(shè)計(jì)混合 的 支持向量機(jī)分類(lèi)器 之前， 必須 先 選擇一個(gè)核函數(shù) 。 Pfleger., 1994)。 根據(jù)先前的研究 ,機(jī)器學(xué)習(xí)方法在處理信用評(píng)級(jí)問(wèn)題上均優(yōu)于傳統(tǒng)方法 ,特別是非線性模式分類(lèi)。 Tzeng, 2021)。研究人員已發(fā)展各種各樣的傳統(tǒng)統(tǒng)計(jì)方法 ,其中涉及線性判別方法 (Bellotti amp。 關(guān)鍵字 ： 支持向量機(jī)、線性判別分析、決策樹(shù)、粗糙集理論、 F度量 簡(jiǎn)介 消費(fèi)信貸預(yù)測(cè)在信貸行業(yè)里是一個(gè)非常重要的 問(wèn)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(guó)籍： Taiwan,ROC
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1