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)-展示頁
2025-01-31 02:59本頁面
【正文】 e 方法進(jìn)行特征選擇，然后用格點(diǎn)搜索優(yōu)化選擇模 型參數(shù)。 在 設(shè)計混合 的 支持向量機(jī)分類器 之前， 必須 先 選擇一個核函數(shù) 。在本研究中 , 過濾方法和 封 裝方法 將都被使用。 然而， 眾所周知的是 這個問題非常困難 (Amaldi amp。 另一方面 ， 封裝方法在尋找相關(guān)有用的變量子集上可以表現(xiàn)的更好 (Guyon amp。 Pfleger., 1994)。封裝式 模型通常 使用預(yù)先確定的學(xué)習(xí)算法，根據(jù)預(yù)測精度來 確定所選擇的 特征 子集 。過濾式 方法首先 是 選擇重要 的 特征 子集 。而最近發(fā)展起來的數(shù)據(jù)挖掘技術(shù)不存在這樣的限制條件，可以實取得優(yōu)于傳統(tǒng)統(tǒng)計分析方法更好的預(yù)測性能 (Huang et al., 2021)。 根據(jù)先前的研究 ,機(jī)器學(xué)習(xí)方法在處理信用評級問題上均優(yōu)于傳統(tǒng)方法 ,特別是非線性模式分類。 以前的 研究主要集中在增加 信用評級模型 的準(zhǔn)確率 上 。 Chang, 2021)應(yīng)用機(jī)器學(xué)習(xí) 方法（如 ANN、 DT 和支持向量機(jī)）來解決決策問題。 Lee和他的同事們 (Lee, Chiu, Lu, amp。 Tzeng, 2021)。 Garcia, 2021)、 Fscore 方法 (Chen amp。 Thomas, 2021)、決策樹方法 (Huang, Tzeng, amp。 Lee amp。研究人員已發(fā)展各種各樣的傳統(tǒng)統(tǒng)計方法 ,其中涉及線性判別方法 (Bellotti amp。人工智能與機(jī)器學(xué)習(xí)技術(shù)可用來解決這些決策問題，現(xiàn)代數(shù)據(jù)挖掘技術(shù)已經(jīng)用于建立信用評分模型 (Huang, Chen, amp。 Dash and Liu (1997)對當(dāng)前存在的基于特征選擇的方法進(jìn)行了綜述，并認(rèn)為特征選擇過程由四部分組成 ,包括 特征生成 、特征評價、 停止準(zhǔn)則和測試。信用評 級 模型的開發(fā) 是 根據(jù)以往 客戶 的 記 錄 ，即他們的相關(guān)屬性諸如收入、婚姻狀況、年齡或其他屬性來 區(qū)分哪 些是優(yōu)質(zhì)客戶 （接受 貸款 ）或 者是不良客戶 （拒絕 給予貸款 ） 。 關(guān)鍵字 ： 支持向量機(jī)、線性判別分析、決策樹、粗糙集理論、 F度量 簡介 消費(fèi)信貸預(yù)測在信貸行業(yè)里是一個非常重要的 問題。最后我們將對結(jié)合 支持向量機(jī)的各種模型的分類結(jié)果進(jìn)行比較， 利用非參數(shù) Wilcoxon符號秩 檢驗顯示這些模型之間 是否具有顯著性差異 。 兩個UCI(美國加州大學(xué)爾灣分校 )的數(shù)據(jù)集被用來評估各種混合 SVM 模型的精度，并利用 支持向量機(jī)分類器與傳統(tǒng)的統(tǒng)計 LDA、決策樹、粗糙集 、 Fscore 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。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)合的特征選擇方法。 1 外文翻譯之一 Combination of feature selection approaches with SVM in credit scoring 作者： FeiLong Chen , FengChia Li 國籍： Taiwan,ROC 出處： Expert Systems With Applications 原文正文： 10 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 作者： FeiLong Chen , FengChia Li 國籍： Taiwan,ROC 出處： Expert Systems with Applications 中文譯文： 11 摘要 信用評級已成為一個重要課題， 相關(guān)部門都在努力收集大量的數(shù)據(jù)以避免做出錯誤的決定 。一種有效的分類模型可代替直覺的經(jīng)驗客觀地幫助管理者進(jìn)行決策。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。在本文里，我們將會對所提出的方法步驟加以描述，并通過他們的分類性能進(jìn)行評估。本研究結(jié)果表明， 混合的信用評估方法是一種尋找最優(yōu)特征子集的最為穩(wěn)健的方法，也是數(shù)據(jù)挖掘領(lǐng)域中很有前途的方法。信用評級模型在這個領(lǐng)域里快速增長 ,被廣泛應(yīng)用于信貸準(zhǔn)入評估 。在過去的幾年里，大多數(shù)信用評 級 模型 常通過 減少冗余的 特征 ， 以 改 進(jìn) 信用
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1