【正文】 得的數(shù)據(jù)相對于輸入維數(shù)是足夠大的，因此，信用評估問題 并不是一個 高維問題。 …… 結(jié)論 規(guī)則提取技術(shù)生成的分類模型擁有明顯的優(yōu)勢。 為此， 列出了 9個相關(guān)的屬性。 然后實際和修改的測試被用來確定所生成規(guī)則的準(zhǔn)確性和保真度。以可理解性為主要條件的領(lǐng)域中， 我們 還對常用 UCI數(shù)據(jù)倉庫數(shù)據(jù)集 [15]中的虹膜數(shù)據(jù)集、乳腺癌、澳大利亞的信用評級數(shù)據(jù)集和 現(xiàn)實生活中破產(chǎn)的數(shù)據(jù)集 進(jìn)行測試。 31 規(guī)則提取的表達(dá)能力取決于規(guī)則所用的語言的表達(dá)能力，目前已經(jīng)提出了很多類型的規(guī)則。分解法與支持 向量機的內(nèi)部運作密切相關(guān)， 因此要特別利用 支持向量或 決策 樹。 …… 規(guī)則提取技術(shù) 30 在實驗?zāi)Ｐ椭刑崛〕龇栆?guī)則可以增加 理解性 ， 規(guī)則提取技術(shù) 試圖打開支持向量機的黑盒， 并產(chǎn)生與模型本身大致相同的帶符號與可理解的描述。 在醫(yī)療診斷領(lǐng)域， 清晰性和詮釋性是關(guān)鍵的制約因素 。在本文中 , 我們將簡 單地描述近日提出的 支持向量機 規(guī)則提取技術(shù)，并介紹兩個面向人工神經(jīng)網(wǎng)絡(luò)的提取技術(shù)， Trepan和 GREX。 此外， 本文提出的方法中所選擇的最相關(guān)的變量也許不是最優(yōu)的， 對于 構(gòu)造 15 一個好方法 來說可能是多余的。我們還描述了四種特征選擇方法 ， 揭示出關(guān)鍵的特征以及這些特征如何影響信用評級模型。 如圖 2所示，問題的兩類將通過最優(yōu)超平面 區(qū)別。 Chen, 2021。 Martens, Baesens, Van Gestel, amp。因此 , 線性判別分析方法提供了一種理解數(shù)據(jù)的新方式 ， 但不能夠減少原有特征的數(shù)量 (Li,2021)。在本研究中 , 過濾方法和 封 裝方法 將都被使用。封裝式 模型通常 使用預(yù)先確定的學(xué)習(xí)算法，根據(jù)預(yù)測精度來 確定所選擇的 特征 子集 。 以前的 研究主要集中在增加 信用評級模型 的準(zhǔn)確率 上 。 Garcia, 2021)、 Fscore 方法 (Chen amp。人工智能與機器學(xué)習(xí)技術(shù)可用來解決這些決策問題，現(xiàn)代數(shù)據(jù)挖掘技術(shù)已經(jīng)用于建立信用評分模型 (Huang, Chen, amp。最后我們將對結(jié)合 支持向量機的各種模型的分類結(jié)果進(jìn)行比較， 利用非參數(shù) Wilcoxon符號秩 檢驗顯示這些模型之間 是否具有顯著性差異 。一種有效的分類模型可代替直覺的經(jīng)驗客觀地幫助管理者進(jìn)行決策。信用評級模型在這個領(lǐng)域里快速增長 ,被廣泛應(yīng)用于信貸準(zhǔn)入評估 。 Crook, 2021。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 。對傳統(tǒng)的統(tǒng)計分類 ,都存在假設(shè)一個潛在的概率模型。 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。 尋找最佳的懲罰 參數(shù) C 和核函數(shù)參數(shù) γ ，格點 搜索算法是一種合適的程序。這個簡單的參數(shù)化模型是歷史上第一個出現(xiàn)的信用評級模型。 Stecking, 2021),、手寫字符識別 (Camastra, 2021。 支持向量機基于結(jié)構(gòu)風(fēng)險最小化（ SRM）的原則 ， 力求最大限度地 降低 泛化誤差 的上界。而且數(shù)據(jù)預(yù)處理還可以避免數(shù)值計算過程中的困難，提高準(zhǔn)確性。 本文給出了基于支持向量機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。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 。我們的實驗結(jié)果表明 , 支持向量 機規(guī)則提取技術(shù) 與 支持向量機本身相比在性能上僅僅損失了一個很小的比例，因此，在可理解的分類技術(shù)上的排名處于領(lǐng)先地位。 有兩種規(guī)則提取的方法：分解法和教學(xué)法。 （ 2）、提取規(guī)則或樹的表達(dá)能力 。 這些技術(shù)的 前提是假設(shè)實驗?zāi)Ｐ捅仍紨?shù)據(jù)集更能 體現(xiàn)數(shù)據(jù) 。我們將從 準(zhǔn) 確性、保真度和 提取規(guī)則 這三個方面評價 規(guī)則提取技術(shù)。首先，隨機地排列數(shù)據(jù)，每個測試集都以 2:1的比例篩選?；诒Ｃ?，所有屬性的名稱和變量 已改為無意義的符號 。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。 由于支持向量機 在分類器中 名列前茅 ， 支持向量機規(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