【正文】 得的數(shù)據(jù)相對(duì)于輸入維數(shù)是足夠大的，因此，信用評(píng)估問(wèn)題 并不是一個(gè) 高維問(wèn)題。 …… 結(jié)論 規(guī)則提取技術(shù)生成的分類(lèi)模型擁有明顯的優(yōu)勢(shì)。 為此， 列出了 9個(gè)相關(guān)的屬性。 然后實(shí)際和修改的測(cè)試被用來(lái)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(duì)常用 UCI數(shù)據(jù)倉(cāng)庫(kù)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(píng)級(jí)數(shù)據(jù)集和 現(xiàn)實(shí)生活中破產(chǎn)的數(shù)據(jù)集 進(jìn)行測(cè)試。 31 規(guī)則提取的表達(dá)能力取決于規(guī)則所用的語(yǔ)言的表達(dá)能力，目前已經(jīng)提出了很多類(lèi)型的規(guī)則。分解法與支持 向量機(jī)的內(nèi)部運(yùn)作密切相關(guān)， 因此要特別利用 支持向量或 決策 樹(shù)。 …… 規(guī)則提取技術(shù) 30 在實(shí)驗(yàn)?zāi)Ｐ椭刑崛〕龇?hào)規(guī)則可以增加 理解性 ， 規(guī)則提取技術(shù) 試圖打開(kāi)支持向量機(jī)的黑盒， 并產(chǎn)生與模型本身大致相同的帶符號(hào)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(jiǎn) 單地描述近日提出的 支持向量機(jī) 規(guī)則提取技術(shù)，并介紹兩個(gè)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(duì)于 構(gòu)造 15 一個(gè)好方法 來(lái)說(shuō)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(píng)級(jí)模型。 如圖 2所示，問(wèn)題的兩類(lèi)將通過(guò)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(guò)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(cè)精度來(lái) 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(píng)級(jí)模型 的準(zhǔn)確率 上 。 Garcia, 2021)、 Fscore 方法 (Chen amp。人工智能與機(jī)器學(xué)習(xí)技術(shù)可用來(lái)解決這些決策問(wèn)題，現(xiàn)代數(shù)據(jù)挖掘技術(shù)已經(jīng)用于建立信用評(píng)分模型 (Huang, Chen, amp。最后我們將對(duì)結(jié)合 支持向量機(jī)的各種模型的分類(lèi)結(jié)果進(jìn)行比較， 利用非參數(shù) Wilcoxon符號(hào)秩 檢驗(yàn)顯示這些模型之間 是否具有顯著性差異 。一種有效的分類(lèi)模型可代替直覺(jué)的經(jīng)驗(yàn)客觀地幫助管理者進(jìn)行決策。信用評(píng)級(jí)模型在這個(gè)領(lǐng)域里快速增長(zhǎng) ,被廣泛應(yīng)用于信貸準(zhǔn)入評(píng)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(duì) 有效的信用評(píng) 級(jí) 模型 進(jìn)行 設(shè)計(jì) 。對(duì)傳統(tǒng)的統(tǒng)計(jì)分類(lèi) ,都存在假設(shè)一個(gè)潛在的概率模型。 一般來(lái)說(shuō)，過(guò)濾 方法 速度快，可以用來(lái)作為減少 特征 空間維 數(shù) 和過(guò)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(diǎn) 搜索算法是一種合適的程序。這個(gè)簡(jiǎn)單的參數(shù)化模型是歷史上第一個(gè)出現(xiàn)的信用評(píng)級(jí)模型。 Stecking, 2021),、手寫(xiě)字符識(shí)別 (Camastra, 2021。 支持向量機(jī)基于結(jié)構(gòu)風(fēng)險(xiǎn)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(jì)算過(guò)程中的困難，提高準(zhǔn)確性。 本文給出了基于支持向量機(jī)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(kāi)發(fā) 也是 值得嘗試 的 。我們的實(shí)驗(yàn)結(jié)果表明 , 支持向量 機(jī)規(guī)則提取技術(shù) 與 支持向量機(jī)本身相比在性能上僅僅損失了一個(gè)很小的比例，因此，在可理解的分類(lèi)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(shù)的表達(dá)能力 。 這些技術(shù)的 前提是假設(shè)實(shí)驗(yàn)?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(gè)方面評(píng)價(jià) 規(guī)則提取技術(shù)。首先，隨機(jī)地排列數(shù)據(jù)，每個(gè)測(cè)試集都以 2:1的比例篩選?；诒Ｃ?，所有屬性的名稱(chēng)和變量 已改為無(wú)意義的符號(hào) 。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(jī) 在分類(lèi)器中 名列前茅 ， 支持向量機(jī)規(guī)則提取 的精確性 往往已經(jīng)超過(guò)了傳統(tǒng)的方法， 例如 : logit