結(jié)合支持向量機(jī)的特征選擇方法在信用評估中的應(yīng)用外文翻譯-其他專業(yè)(參考版)
2025-01-23 02:59本頁面
【正文】 。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)相對于輸入維數(shù)是足夠大的，因此，信用評估問題 并不是一個(gè) 高維問題。這些優(yōu)勢使他在 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。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。 其次 ， 黑 盒模型 規(guī)則提取只失去 很小比例 的準(zhǔn)確度 。 …… 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。 (Normal Nucleoli67) then benign，判斷為為良性腫瘤準(zhǔn)確度達(dá)到 ％ 。 對于 Fung等人提出的 技術(shù) ， 所用的規(guī)則 [11]如下： if (Cell Size63) amp。 另一方面 。 為此， 列出了 9個(gè)相關(guān)的屬性。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 ％ 。第二個(gè)信用評級數(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） 。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。 然后實(shí)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。 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)測的標(biāo)簽。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。 為了得到一個(gè)公平的結(jié)果，我們利用以下設(shè)置對每個(gè)數(shù)據(jù)集都運(yùn)行了 20次。以可理解性為主要條件的領(lǐng)域中， 我們 還對常用 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、澳大利亞的信用評級數(shù)據(jù)集和 現(xiàn)實(shí)生活中破產(chǎn)的數(shù)據(jù)集 進(jìn)行測試。 …… 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。 準(zhǔn)確度可以衡量正確預(yù)測得到的樣本的比例，也反映 預(yù)測 以往案例的準(zhǔn)確度。 表格 Table 1簡單描述了各種 SVM規(guī)則提取技術(shù)的半透明性和規(guī)則的 表現(xiàn)力 。 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。 我們可以推斷基于神經(jīng)網(wǎng)絡(luò)的規(guī)則提取會(huì)影響基于支持向量機(jī)的規(guī)則提取。也就是說， 這些數(shù)據(jù) 更加清晰，更能避免沖突。這些技術(shù)一般都采用訓(xùn)練出來的 SVM模型 標(biāo) 注 或分類 （人工生成）訓(xùn)練樣本 。分解法與支持 向量機(jī)的內(nèi)部運(yùn)作密切相關(guān)， 因此要特別利用 支持向量或 決策 樹。 （ 5）、提取算法的復(fù)雜性。 （ 3）、 神經(jīng)網(wǎng)絡(luò) 的特定訓(xùn)練體系。 Andrews等人 [1]在神經(jīng)網(wǎng)絡(luò)規(guī)則提取技術(shù)的基礎(chǔ)上， 提出一個(gè)容易擴(kuò)展到支持向量機(jī) 并滿足下列條件的 分類計(jì)劃 ： （ 1）、基于神經(jīng)網(wǎng)絡(luò)的 提取算法 的半透明 。 …… 規(guī)則提取技術(shù) 30 在實(shí)驗(yàn)?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。由于教學(xué)技術(shù)通常將訓(xùn)練模型作為標(biāo)準(zhǔn)對 訓(xùn)練樣本進(jìn)行標(biāo)注， 教學(xué)神經(jīng)網(wǎng)絡(luò)規(guī)則提取 為 支持向量機(jī) 的規(guī)則提取提供了支持，與 人工神經(jīng)網(wǎng)絡(luò) 不同的是 ， 他不受 局部最優(yōu)的 權(quán)重 空間 影響， 而且模型的選擇只 局限 于 懲罰參數(shù) 和核參數(shù) 的選取 。 分解法與 SVM的內(nèi)部結(jié)構(gòu)緊密相聯(lián)，而教學(xué)法則是 與模型的輸入和輸出直接相關(guān)的規(guī)則提取。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(zhǔn)確度。 在醫(yī)療診斷領(lǐng)域， 清晰性和詮釋性是關(guān)鍵的制約因素 。 在某些領(lǐng)域中，如信用評估， 缺乏這種理解性是一 個(gè) 很大 的缺點(diǎn) ，有些人甚至不愿使用這種模型 [10]。 關(guān)鍵字：信用評估、分類、支持向量機(jī)、規(guī)則提取 簡介 支持向量機(jī)是一種廣泛應(yīng)用于眾多領(lǐng)域 [8]的新興的數(shù)據(jù)挖掘技術(shù)，如信用評估 [2]、 金融時(shí)間序列預(yù)測 [14]、 垃圾郵件分類 [9]、腦部腫瘤分類 [19]等。我們也考慮醫(yī)學(xué)診斷和信用評估中可 理解的 一個(gè) 關(guān)鍵 問題， 甚至 提出 建議。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(gè)面向人工神經(jīng)網(wǎng)絡(luò)的提取技術(shù)， Trep
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1