【正文】 由于支持向量機(jī) 在分類器中 名列前茅 ， 支持向量機(jī)規(guī)則提取 的精確性 往往已經(jīng)超過了傳統(tǒng)的方法， 例如 : logit?；诒Ｃ?，所有屬性的名稱和變量 已改為無意義的符號 。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)。 （ 2）、提取規(guī)則或樹的表達(dá)能力 。我們的實驗結(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。 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。 支持向量機(jī)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。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。 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。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 。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 。最后我們將對結(jié)合 支持向量機(jī)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 。 Garcia, 2021)、 Fscore 方法 (Chen amp。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 。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)。 Chen, 2021。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。在本文中 , 我們將簡 單地描述近日提出的 支持向量機(jī) 規(guī)則提取技術(shù)，并介紹兩個面向人工神經(jīng)網(wǎng)絡(luò)的提取技術(shù)， Trepan和 GREX。 …… 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(jī)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。 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。 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。 …… 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。這些優(yōu)勢使他在 同時需要 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 不滿足于傳統(tǒng)的理解 ， 但不太精確的分類方法。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 ％ 。 …… 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。 （ 5）、提取算法的復(fù)雜性。 在某些領(lǐng)域中，如信用評估， 缺乏這種理解性是一 個 很大 的缺點 ，有些人甚至不愿使用這種模型 [10]。 另一方面 ，實驗結(jié)果主要由數(shù)字決定。函數(shù)描述如下： f:Rn ?{1,1},表示 ? 個 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： 這等價于如下方程。 …… 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 功能 強(qiáng)大的分類工具(1995 年 )。 然而， 眾所周知的是 這個問題非常困難 (Amaldi 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。 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、 停止準(zhǔn)則和測試。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。 Chen,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)。 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策略和基本支持向量機(jī)的概念，第四部分根據(jù)兩個實際數(shù)據(jù)集給出實驗結(jié)果，第五部分給出評論并提供相應(yīng)的結(jié)論。 Sun, Wang, Lim, amp。 …… 結(jié)論 特征選擇 過程涉及