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)-wenkub.com
2025-01-15 02:59 本頁(yè)面
【正文】 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。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 。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。 (Bare Nuclei61) amp。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(lái)說(shuō) 誰(shuí)需要診斷 不夠明確。 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(guò) 1000萬(wàn)歐元，所產(chǎn)生的營(yíng)業(yè)額小于 。 …… 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。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)。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。 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。最具代表性的規(guī)則類型主要有命題規(guī)則 (simple If. . .Then. . . 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 。 因?yàn)槟Ｐ捅灰暈楹诤凶?,大部分教學(xué)算法支持其他的 機(jī)器學(xué)習(xí)算法 的規(guī)則提取。 另一方面，教學(xué)法把 實(shí)驗(yàn)?zāi)Ｐ涂醋?黑盒 ， 這些算法 不需要關(guān)注內(nèi)部結(jié)構(gòu)，也就 不 需要 利用支持向量或決策 樹(shù) ，而是 使用支持向量機(jī)模型定義的輸入輸出 直接進(jìn)行 規(guī)則提取 。 （ 4）、 提取規(guī)則的質(zhì)量。 從 支持向量機(jī) 出發(fā)提取 規(guī)則 的優(yōu)點(diǎn)是支持向量機(jī)把輸入的分類作為一個(gè)群體，而決策樹(shù)算法如 則每次度量一個(gè)輸入的分類貢獻(xiàn)。雖然人們已經(jīng) 廣泛地研究過(guò)神經(jīng)網(wǎng)絡(luò)的規(guī) 則提取 (. [1,3])，但是卻很少研究支持向量機(jī)的規(guī)則提取。為保準(zhǔn)支持向量機(jī)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 。 這種技術(shù)的優(yōu)勢(shì)在于其 復(fù)雜的數(shù)學(xué) 模型的非線性能力 ，而這種優(yōu)勢(shì)又恰恰是他的主要缺點(diǎn)： 該模型 擁有比其他 數(shù)據(jù)挖掘技術(shù) 更高的準(zhǔn)確率，但是 他們的可理解性是有限的 。利用 公開(kāi) 的 現(xiàn)有數(shù)據(jù)集 對(duì)這些技術(shù)進(jìn)行對(duì)比， 如Ripley數(shù)據(jù)集 、多類的 iris數(shù)據(jù)集等。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。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 。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 ） 。更少的特征意味著相關(guān)部門(mén)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(guò)程中不需要考慮大量的特征，降低了計(jì)算強(qiáng)度。 …… 結(jié)論 特征選擇 過(guò)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。 14 圖 2 是 二維空間中 一個(gè) 線性 可分問(wèn)題的例子。一般地，利用訓(xùn)練數(shù)據(jù)估計(jì)出分類問(wèn)題的判決函數(shù)。 Su amp。 Sun, Wang, Lim, amp。 Vanthienen, 2021。研究人員正在研究混合模型以克服 LDA 模型的缺陷，其中一個(gè)好的例子就是基于支持向 量機(jī)的信用評(píng)級(jí)模型。 LDA可以表示如下： 其中 y 代表 區(qū)別分?jǐn)?shù)， 0? 為截距 ， i? (i = 1, . . . ,n)為與解釋變量 13 xi (i=1,2,…， n)對(duì)應(yīng)的 ? 系數(shù)。 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(gè)策略和基本支持向量機(jī)的概念，第四部分根據(jù)兩個(gè)實(shí)際數(shù)據(jù)集給出實(shí)驗(yàn)結(jié)果，第五部分給出評(píng)論并提供相應(yīng)的結(jié)論。與 SVM 分類相結(jié)合的特征選擇方法可以 進(jìn)行更好的分類。 Elisseeff, 2021)。但當(dāng)這些學(xué)習(xí)算法用來(lái) 計(jì)算 大量的特征數(shù)據(jù)時(shí)，所需要的成本是非常昂貴的 (John, Kohavi, amp。 特征子集選擇算法可以分為兩類 : 過(guò)濾 式 方法和 封 裝 式 方法 (Liu, 1998)。然而，即使一點(diǎn)點(diǎn)的改善 也 12 會(huì)引起顯著的 成本節(jié)約。 Chen, 2021)整合
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1