結(jié)合支持向量機(jī)的特征選擇方法在信用評(píng)估中的應(yīng)用外文翻譯-其他專業(yè)(編輯修改稿)
2025-02-24 02:59 本頁面
【文章內(nèi)容簡(jiǎn)介】 在于它可以從理論上分析計(jì)算學(xué)習(xí)理論的概念， 并 同時(shí) 實(shí)現(xiàn)良好的性能 。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)。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。 其中 非線性函數(shù) ? 將原始空間映射到高維特征空間，超平面可由下面的等式構(gòu)建起來。 如圖 2所示，問題的兩類將通過最優(yōu)超平面 區(qū)別。 14 圖 2 是 二維空間中 一個(gè) 線性 可分問題的例子。 為避免大的數(shù)值范圍控制了小的數(shù)值范圍，對(duì)數(shù)據(jù)尺度變換進(jìn)行預(yù)處理是必要的。而且數(shù)據(jù)預(yù)處理還可以避免數(shù)值計(jì)算過程中的困難，提高準(zhǔn)確性?？梢酝ㄟ^歸一化方程 (10)將每個(gè)變量值以線性的方式縮放在 [0,1]的范圍內(nèi)，其中 ? 是原始值， newv 是縮放值 , vmax 是最大值， vmin 是最小值。 …… 結(jié)論 特征選擇 過程涉及確定特征子集的最高預(yù)測(cè)精確度，或者 尋求 可接受精度的最小特征子集。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 。在本研究中 ,數(shù)據(jù)降維的預(yù)處理步驟是先于 改善整體分類性能 的分類過程的。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。更少的特征意味著相關(guān)部門只需集中精力關(guān)注相關(guān)的和重要的變量因素， 這樣 可以減少信用評(píng)級(jí)人員的工作量 ,因?yàn)樗麄冊(cè)谠u(píng)估過程中不需要考慮大量的特征，降低了計(jì)算強(qiáng)度。 特征選擇在分類領(lǐng)域 中是一項(xiàng) 重要 的 任務(wù)。 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。與此同時(shí)，這不僅能減少變量的數(shù)目，還能 消除噪聲 的 輸入 。研究結(jié)果表明，混合特征選擇方法的 預(yù)測(cè) 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 ） 。 另一方面 ，實(shí)驗(yàn)結(jié)果主要由數(shù)字決定。在將來的研究中，不同類型的數(shù)據(jù)集可分成不同的比例 (1: 1:2,2:1)以獲得更高的準(zhǔn)確率。 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 來說可能是多余的。雖然封裝式 方法 在計(jì)算大量的數(shù)據(jù)時(shí)所花費(fèi)的成本是昂貴的，但是它 可能更好 地 找到有關(guān)變量的子集 。在這個(gè)領(lǐng)域未來的工作里，還可發(fā)展信用評(píng)估的啟發(fā)式算法。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 。 16 外文翻譯之 二 Comprehensible credit scoring models using rule extraction from support vector machines 作者： David Martens , Bart Baesens , Tony Van Gestel , Jan Vanthienen 國(guó)籍： Belgium,United Kingdom,Belgium,Belgium 出處： European Journal of Operational Research 原文正文： 28 可理解的使用規(guī)則提取支持向量機(jī)的信用評(píng)分模型 作者： David Martens , Bart Baesens , Tony Van Gestel , Jan Vanthienen 國(guó)籍： Belgium,United Kingdom,Belgium,Belgium 出處： European Journal of Operational Research 中文譯文： 29 摘要 近年來 ,支持向量機(jī)應(yīng)用廣泛。然而 , 分類器通常描述為一個(gè)復(fù)雜的 數(shù)學(xué)函數(shù)，難以讓人理解。當(dāng)既要求 準(zhǔn)確度又有可理解性的時(shí)候 ， 這種
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1