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)-資料下載頁
2025-01-19 02:59本頁面
【導(dǎo)讀】一種有效的分類模型可代替直覺的經(jīng)驗(yàn)客觀地幫助管理者進(jìn)行決。本研究在保留足夠的特征信息條件下，提出了四種與支持向量機(jī)相結(jié)合的特。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。利用支持向量機(jī)分類器與傳統(tǒng)的統(tǒng)計(jì)LDA、決策樹、粗糙集、F-score相結(jié)合，進(jìn)行特征數(shù)據(jù)的預(yù)處理，刪除不相關(guān)和冗余的信息以優(yōu)化特征空間。我們將會(huì)對(duì)所提出的方法步驟加以描述，并通過他們的分類性能進(jìn)行評(píng)估。符號(hào)秩檢驗(yàn)顯示這些模型之間是否具有顯著性差異。本研究結(jié)果表明，混合的信。域里快速增長(zhǎng),被廣泛應(yīng)用于信貸準(zhǔn)入評(píng)估。過程由四部分組成,包括特征生成、特征評(píng)價(jià)、停止準(zhǔn)則和測(cè)試。標(biāo)諸如準(zhǔn)確度，信息含量，距離和相關(guān)性等常被用來去除無關(guān)的特征。研究人員已發(fā)展各種各樣的傳統(tǒng)統(tǒng)計(jì)。一般來說，信用評(píng)級(jí)可視為將觀察數(shù)據(jù)分類到預(yù)先定義組的二元分類問題。會(huì)引起顯著的成本節(jié)約。根據(jù)先前的研究,機(jī)器學(xué)習(xí)方法在處理信用評(píng)級(jí)問題上。結(jié)果，第五部分給出評(píng)論并提供相應(yīng)的結(jié)論。
【正文】 . expressions), MofN規(guī) 則 (If at least M of N conditions (C1,C2, . . . ,CN) Then. . .)和具有更多靈活性的 模糊規(guī)則 。 表格 Table 1簡(jiǎn)單描述了各種 SVM規(guī)則提取技術(shù)的半透明性和規(guī)則的 表現(xiàn)力 。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)。 準(zhǔn)確度可以衡量正確預(yù)測(cè)得到的樣本的比例，也反映 預(yù)測(cè) 以往案例的準(zhǔn)確度。 保真度決定了分類器和 提取規(guī)則 達(dá)成一致 的 類標(biāo)簽 的比例。 …… 為了評(píng)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(cè)試一下。我們 32 測(cè)試了 Ripley的數(shù)據(jù)集 [26]有兩個(gè)變量，因此可以進(jìn)行模型可視化和規(guī)則提取。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(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。我們還使用了 傳統(tǒng)分類 技術(shù) 為基準(zhǔn)所產(chǎn)生的 規(guī)則 ， 包括 （實(shí)際數(shù)據(jù)）和 logit回歸模型。 為了得到一個(gè)公平的結(jié)果，我們利用以下設(shè)置對(duì)每個(gè)數(shù)據(jù)集都運(yùn)行了 20次。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。其次，用 RBF內(nèi) 核 和支持向量機(jī)模型的 格 點(diǎn) 搜索 方法來確定參數(shù) r和 c。提取 規(guī)則 時(shí)用實(shí)際試驗(yàn)數(shù)據(jù)和實(shí)驗(yàn)支持向量機(jī)模型做預(yù)測(cè)。 在修改過的實(shí)驗(yàn)數(shù)據(jù)上進(jìn)行訓(xùn)練，即將類標(biāo)簽改為支持向量機(jī)預(yù)測(cè)的標(biāo)簽。同樣地， GREX也是 運(yùn)行修改后的數(shù)據(jù)集。 然后實(shí)際和修改的測(cè)試被用來確定所生成規(guī)則的準(zhǔn)確性和保真度。 …… 評(píng)級(jí) 我們的實(shí)驗(yàn)包括了兩個(gè)信用評(píng)級(jí)數(shù)據(jù)集。第一個(gè)是澳大利亞的信貸數(shù)據(jù)集[15]，涉及信用卡申請(qǐng)?；诒Ｃ?，所有屬性的名稱和變量 已改為無意義的符號(hào) 。第二個(gè)信用評(píng)級(jí)數(shù)據(jù)集來自 比荷盧經(jīng)濟(jì)聯(lián)盟（比利時(shí)、荷蘭、盧森堡） [12]破產(chǎn)的 中等市值公司（中型公司） 。 中型公司的定義如下：他們不是股票上市的， 總資產(chǎn)賬面價(jià)值超過 1000萬歐元，所產(chǎn)生的營(yíng)業(yè)額小于 。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 ％ 。 33 …… 4． 5醫(yī)療診斷 Wisconsin Diagnostic乳腺癌的數(shù)據(jù)集，這個(gè)任務(wù)包括乳腺腫塊 歸類為良性或惡性 。 為此， 列出了 9個(gè)相關(guān)的屬性。我們的實(shí)驗(yàn)表明，支持向量機(jī)的的性能更高 (平均精度達(dá)到 %)，但是他們?nèi)狈γ鞔_性，對(duì)醫(yī)生來說 誰需要診斷 不夠明確。 另一方面 。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。 對(duì)于 Fung等人提出的 技術(shù) ， 所用的規(guī)則 [11]如下： if (Cell Size63) amp。 (Bare Nuclei61) amp。 (Normal Nucleoli67) then benign，判斷為為良性腫瘤準(zhǔn)確度達(dá)到 ％ 。 SVM+Prototype也被應(yīng)用于診斷乳腺癌的數(shù)據(jù)集 [22]，這個(gè)方程式 規(guī)則的準(zhǔn)確度為 ％ ， 保真度 為 ％。 …… 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(shì)。首先，他們是可理解的 ,因此 很容易 應(yīng)用于現(xiàn)實(shí)生活中的各個(gè)分類場(chǎng)合。 其次 ， 黑 盒模型 規(guī)則提取只失去 很小比例 的準(zhǔn)確度 。 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。利用支持向量機(jī)模型取 34 代原 始 數(shù)據(jù)點(diǎn) 消除了明顯的沖突，并創(chuàng)建 了 一個(gè)更 清晰的 數(shù)據(jù)集。在我們的實(shí)驗(yàn)中， 基于支持向量機(jī)的 所預(yù)測(cè)的 標(biāo)簽數(shù)據(jù) 甚至優(yōu)于一般的 算法所生成的實(shí)際類標(biāo)簽 數(shù)據(jù)集 。這些優(yōu)勢(shì)使他在 同時(shí)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(gè) 不滿足于傳統(tǒng)的理解 ， 但不太精確的分類方法。 眾所周知，支持向量機(jī)能夠在具有較少樣本的 高維數(shù)據(jù)集上表現(xiàn)很好。我們實(shí)驗(yàn)所用的數(shù)據(jù) 來自于 零售業(yè)和企業(yè)，可獲得的數(shù)據(jù)相對(duì)于輸入維數(shù)是足夠大的，因此，信用評(píng)估問題 并不是一個(gè) 高維問題。支持向量機(jī)規(guī)則提取的研究在高維信用評(píng)估環(huán)境下，將會(huì)很有意思。
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1