【正文】 確定特征子集的最高預測精確度，或者 尋求 可接受精度的最小特征子集。然而 , 分類器通常描述為一個復雜的 數(shù)學函數(shù)，難以讓人理解。雖然人們已經(jīng) 廣泛地研究過神經(jīng)網(wǎng)絡的規(guī) 則提取 (. [1,3])，但是卻很少研究支持向量機的規(guī)則提取。 因為模型被視為黑盒子 ,大部分教學算法支持其他的 機器學習算法 的規(guī)則提取。提取 規(guī)則 時用實際試驗數(shù)據(jù)和實驗支持向量機模型做預測。 (Bare Nuclei61) amp。支持向量機規(guī)則提取的研究在高維信用評估環(huán)境下，將會很有意思。我們的實驗表明，支持向量機的的性能更高 (平均精度達到 %)，但是他們?nèi)狈γ鞔_性，對醫(yī)生來說 誰需要診斷 不夠明確。我們還使用了 傳統(tǒng)分類 技術 為基準所產(chǎn)生的 規(guī)則 ， 包括 （實際數(shù)據(jù)）和 logit回歸模型。 另一方面，教學法把 實驗模型看做 黑盒 ， 這些算法 不需要關注內(nèi)部結構，也就 不 需要 利用支持向量或決策 樹 ，而是 使用支持向量機模型定義的輸入輸出 直接進行 規(guī)則提取 。為保準支持向量機的精度，又可 挽救生命 和節(jié)約資本，可從 黑盒 的 SVM模型 中中提取規(guī)則 。雖然封裝式 方法 在計算大量的數(shù)據(jù)時所花費的成本是昂貴的，但是它 可能更好 地 找到有關變量的子集 。 14 圖 2 是 二維空間中 一個 線性 可分問題的例子。 Vanthienen, 2021。與 SVM 分類相結合的特征選擇方法可以 進行更好的分類。然而，即使一點點的改善 也 12 會引起顯著的 成本節(jié)約。 Wang, 2021)。 1 外文翻譯之一 Combination of feature selection approaches with SVM in credit scoring 作者： FeiLong Chen , FengChia Li 國籍： Taiwan,ROC 出處： Expert Systems With Applications 原文正文： 10 結合支持向量機的特征選擇方法在信用評估中的應用 作者： FeiLong Chen , FengChia Li 國籍： Taiwan,ROC 出處： Expert Systems with Applications 中文譯文： 11 摘要 信用評級已成為一個重要課題， 相關部門都在努力收集大量的數(shù)據(jù)以避免做出錯誤的決定 。研究人員已發(fā)展各種各樣的傳統(tǒng)統(tǒng)計方法 ,其中涉及線性判別方法 (Bellotti amp。 根據(jù)先前的研究 ,機器學習方法在處理信用評級問題上均優(yōu)于傳統(tǒng)方法 ,特別是非線性模式分類。 在 設計混合 的 支持向量機分類器 之前， 必須 先 選擇一個核函數(shù) 。 Schebesch amp。 為避免大的數(shù)值范圍控制了小的數(shù)值范圍，對數(shù)據(jù)尺度變換進行預處理是必要的。在這個領域未來的工作里，還可發(fā)展信用評估的啟發(fā)式算法。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確度。這些技術一般都采用訓練出來的 SVM模型 標 注 或分類 （人工生成）訓練樣本 。 為了得到一個公平的結果，我們利用以下設置對每個數(shù)據(jù)集都運行了 20次。 另一方面 。 。 對于 Fung等人提出的 技術 ， 所用的規(guī)則 [11]如下： if (Cell Size63) amp。其次，用 RBF內(nèi) 核 和支持向量機模型的 格 點 搜索 方法來確定參數(shù) r和 c。也就是說， 這些數(shù)據(jù) 更加清晰，更能避免沖突。 分解法與 SVM的內(nèi)部結構緊密相聯(lián)，而教學法則是 與模型的輸入和輸出直接相關的規(guī)則提取。 16 外文翻譯之 二 Comprehensible credit scoring models using rule extraction from support vector machines 作者