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)-文庫(kù)吧資料
2025-01-27 02:59本頁(yè)面
【正文】 an和 GREX。當(dāng)既要求 準(zhǔn)確度又有可理解性的時(shí)候 ， 這種不透明 度 阻礙了他們?cè)谠S多現(xiàn)實(shí)生活中的應(yīng)用 ， 如 醫(yī)療診斷和信用風(fēng)險(xiǎn)評(píng)估 。 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。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。 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。 另一方面 ，實(shí)驗(yàn)結(jié)果主要由數(shù)字決定。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 。 特征選擇在分類領(lǐng)域 中是一項(xiàng) 重要 的 任務(wù)。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。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 ?？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。 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。 如圖 2所示，問題的兩類將通過最優(yōu)超平面 區(qū)別。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。支持向量機(jī) 的獨(dú)特優(yōu)勢(shì) 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 。 Yang, 2021)等。 Chen, 2021。 DeJong, 2021) 、 疾病 分類 診斷 (Cho et al., 2021。 Chou et al., 2021。 Schebesch amp。 Martens, Baesens, Van Gestel, amp。 …… 支持向量機(jī)方法 支持向量機(jī)（ SVM）是由 Vapnik 等 人 首先提出 的 一個(gè) 功能 強(qiáng)大的分類工具(1995 年 )。然而 ,優(yōu)質(zhì)和不良客戶類的協(xié)方差矩陣關(guān)于真實(shí)的信貸數(shù)據(jù)可 能是 不平等的。 LDA 是一種傳統(tǒng)的統(tǒng)計(jì)方法， 在信用評(píng)級(jí)上的準(zhǔn)確率被視為是其他現(xiàn)代分類方法 的基準(zhǔn)。因此 , 線性判別分析方法提供了一種理解數(shù)據(jù)的新方式 ， 但不能夠減少原有特征的數(shù)量 (Li,2021)。 特征選擇方法的基本概念 線性判別分析方法 線性判別分析 (LDA)最初是由 Fisher 提出的一個(gè)著名分類技術(shù) (Fisher, 1936). LDA 一直被視為處理分類問題的數(shù)據(jù)挖掘技術(shù)，可降低變量的維數(shù)從而減少特征的數(shù)量。為了比較不同的信用評(píng) 級(jí) 模型 ， 本 文 試圖將整體 研究分成基本的支持向量分類器和四個(gè) 基于SVM 的特征選擇方法 ，即 (1)利用 格點(diǎn)搜索優(yōu)化模型參數(shù)，但不進(jìn)行特征選擇 ；(2) 利用 LDA,RST,DT 和 Fscor
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1