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)(完整版)
【正文】 混合特征選擇方法的 預(yù)測 命中率都高于 那些單一的方法， 尤其是當(dāng)兩部分實(shí)例 相當(dāng)?shù)臅r(shí)候 （澳大利亞數(shù)據(jù) 集 ） 。 …… 結(jié)論 特征選擇 過程涉及確定特征子集的最高預(yù)測精確度，或者 尋求 可接受精度的最小特征子集。一般地，利用訓(xùn)練數(shù)據(jù)估計(jì)出分類問題的判決函數(shù)。 Sun, Wang, Lim, amp。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(gè)好的例子就是基于支持向 量機(jī)的信用評級模型。 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(jī)的特征選擇算法這四個(gè)策略和基本支持向量機(jī)的概念，第四部分根據(jù)兩個(gè)實(shí)際數(shù)據(jù)集給出實(shí)驗(yàn)結(jié)果，第五部分給出評論并提供相應(yīng)的結(jié)論。 Elisseeff, 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)。 Chen, 2021)整合 神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的判別分析法 ，以及 Chou(Chou, Lin, Liu, amp。 Chen,2021。在過去的幾年里，大多數(shù)信用評 級 模型 常通過 減少冗余的 特征 ， 以 改 進(jìn) 信用評 級 的準(zhǔn)確性 。利用這四種方法進(jìn)行屬性選擇可以構(gòu)建各種不同的模型。 兩個(gè)UCI(美國加州大學(xué)爾灣分校 )的數(shù)據(jù)集被用來評估各種混合 SVM 模型的精度，并利用 支持向量機(jī)分類器與傳統(tǒng)的統(tǒng)計(jì) LDA、決策樹、粗糙集 、 Fscore 相結(jié)合，進(jìn)行特征數(shù)據(jù)的預(yù)處理，刪除不相關(guān)和冗余的信息以優(yōu)化特征空間。 Dash and Liu (1997)對當(dāng)前存在的基于特征選擇的方法進(jìn)行了綜述，并認(rèn)為特征選擇過程由四部分組成 ,包括 特征生成 、特征評價(jià)、 停止準(zhǔn)則和測試。 Thomas, 2021)、決策樹方法 (Huang, Tzeng, amp。 Chang, 2021)應(yīng)用機(jī)器學(xué)習(xí) 方法（如 ANN、 DT 和支持向量機(jī)）來解決決策問題。過濾式 方法首先 是 選擇重要 的 特征 子集 。 然而， 眾所周知的是 這個(gè)問題非常困難 (Amaldi amp。 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(gè)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。 …… 支持向量機(jī)方法 支持向量機(jī)（ SVM）是由 Vapnik 等 人 首先提出 的 一個(gè) 功能 強(qiáng)大的分類工具(1995 年 )。 DeJong, 2021) 、 疾病 分類 診斷 (Cho et al., 2021。函數(shù)描述如下： f:Rn ?{1,1},表示 ? 個(gè) N 維模式 Xi 與類標(biāo)簽 Yi 之間的一種映射 ,其中 根據(jù)公式（ 5），支持向量機(jī)分類器 應(yīng)該滿足以下條件： 這等價(jià)于如下方程。本研究基于一定 數(shù)量 的特征前提下，在 精度和 特征數(shù)量 之間 達(dá)成了平衡 。 另一方面 ，實(shí)驗(yàn)結(jié)果主要由數(shù)字決定。當(dāng)既要求 準(zhǔn)確度又有可理解性的時(shí)候 ， 這種不透明 度 阻礙了他們在許多現(xiàn)實(shí)生活中的應(yīng)用 ， 如 醫(yī)療診斷和信用風(fēng)險(xiǎn)評估 。 在某些領(lǐng)域中，如信用評估， 缺乏這種理解性是一 個(gè) 很大 的缺點(diǎn) ，有些人甚至不愿使用這種模型 [10]。由于教學(xué)技術(shù)通常將訓(xùn)練模型作為標(biāo)準(zhǔn)對 訓(xùn)練樣本進(jìn)行標(biāo)注， 教學(xué)神經(jīng)網(wǎng)絡(luò)規(guī)則提取 為 支持向量機(jī) 的規(guī)則提取提供了支持，與 人工神經(jīng)網(wǎng)絡(luò) 不同的是 ， 他不受 局部最優(yōu)的 權(quán)重 空間 影響， 而且模型的選擇只 局限 于 懲罰參數(shù) 和核參數(shù) 的選取 。 （ 5）、提取算法的復(fù)雜性。 我們可以推斷基于神經(jīng)網(wǎng)絡(luò)的規(guī)則提取會(huì)影響基于支持向量機(jī)的規(guī)則提取。 …… 為了評估與比較之前描述的規(guī)則提取技術(shù)，我們用數(shù)據(jù)集來測試一下。 在修改過的實(shí)驗(yàn)數(shù)據(jù)上進(jìn)行訓(xùn)練，即將類標(biāo)簽改為支持向量機(jī)預(yù)測的標(biāo)簽。如圖 Fig. 6所示， BeneC數(shù)據(jù)集的 Trepan樹的準(zhǔn)確率為 %，保真度為 ％ 。 (Normal Nucleoli67) then benign，判斷為為良性腫瘤準(zhǔn)確度達(dá)到 ％ 。這些優(yōu)勢使他在 同時(shí)需要 準(zhǔn)確性和可理解性 的領(lǐng)域中可以適當(dāng)?shù)匮a(bǔ)充 支持向量機(jī)，是一個(gè) 不滿足于傳統(tǒng)的理解 ， 但不太精確的分類方法。我們實(shí)驗(yàn)所用的數(shù)據(jù) 來自于 零售業(yè)和企業(yè)，可獲
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號(hào)-1