金融數(shù)據(jù)挖掘ppt課件(參考版)
2025-05-10 04:20本頁面
【正文】 ⑤ 、值得注意的問題 * 構(gòu)建決策樹是不能過分?jǐn)M合樣本數(shù)據(jù)；同樣需要建立訓(xùn)練樣本組與檢驗(yàn)樣本組； * 為避免出現(xiàn)挖掘過分追求總體預(yù)測準(zhǔn)確率的現(xiàn)象，可采用適當(dāng)接近兩類樣本比率的方法； * 可以利用決策樹方法發(fā)掘各指標(biāo)預(yù)測財(cái)務(wù)危機(jī)的信息含量排序； * 結(jié)合決策樹與信號噪音比方法可得到預(yù)測指標(biāo)信息含量的度量方法，構(gòu)造新的預(yù)測方法。 決策樹的預(yù)測規(guī)則由由一系列的預(yù)測結(jié)論組成 。 0x 0xx?)(),( 21 yIyI)]()([)()( 2211 yIqyIqyIxga i n ???21,qq0x0x ③ 、 分類預(yù)測方法 —— 決策樹方法 利用信息增量的概念 ， 數(shù)據(jù)挖掘中創(chuàng)造了一種分類預(yù)測的決策樹方法 ， 其基本的思路是反復(fù)地利用信息增量方法進(jìn)行樣本分割 ， 直到不能再分割 、 或者達(dá)到事先的約定為止 。顯然，這樣計(jì)算的信息增量與 的取法有關(guān)，對每個(gè)指標(biāo)，通過計(jì)算機(jī)搜索，可以找到一個(gè)最佳的 ，使其對應(yīng)的信息增量達(dá)到最大。從信息學(xué)的角度看，如果利用一個(gè)變量后，可以減少分類變量的熵，則該變量對分類預(yù)測就具有信息價(jià)值，熵的減少量越大，該指標(biāo)用于預(yù)測的信息價(jià)值也就越大。 預(yù)測準(zhǔn)確率： 訓(xùn)練樣本組 檢驗(yàn)樣本組 St公司： 46/56= 46/55= 非 St公司 ： 428/504= 419/504= )()|1( 1 . 8 1 1 0654321zxyPPxxxxxxz???????????? 決策樹方法 與前面討論的幾種分類預(yù)測方法相比，決策樹方法是一種近年來才出現(xiàn)的分類預(yù)測方法，其基本原理如下。 run。 class y。 Probit建立如下形式的回歸模型： Probit回歸同樣通過最大似然估計(jì)來估計(jì)模型參數(shù)。 預(yù)測準(zhǔn)確率 ST公司： 92/111 = %。 ⑨ 、 SAS結(jié)果 構(gòu)建 Logistic回歸模型的變量為： y y y y y y1 y1 y1 y14； ⑩、 預(yù)測規(guī)則與預(yù)測準(zhǔn)確率 預(yù)測規(guī)則： P＞ ,一年后上市公司將陷入財(cái)務(wù)困境 。 model y=y1y15 / selection=stepwise。 現(xiàn)在，另外選取了 15個(gè)可能有用的預(yù)測指標(biāo) y1y15，對1119家上市公司利用逐步回歸法建立預(yù)測模型。經(jīng)常的情況是，知道預(yù)測變量的大致范圍，但不知哪些變量具有較大的信息含量。P＜ ,一年后上市公司不會陷入財(cái)務(wù)困境 . ⑤ 、 預(yù)測準(zhǔn)確率檢驗(yàn) 訓(xùn)練樣本組 檢驗(yàn)樣本組 ST公司 46/56=% 44/55=80% 非 ST公司 433/504=% 425/504=% ⑥ 、 討論 * 模型可用于分類預(yù)測，也可用于概率預(yù)測（如違約率預(yù)測）； * 構(gòu)建模型時(shí)應(yīng)該避免非隨機(jī)抽樣，否則模型參數(shù)估計(jì)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1