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)-在線瀏覽
2025-03-24 02:59本頁面
【正文】 評(píng) 級(jí) 的準(zhǔn)確性 。 常用的評(píng)價(jià)指標(biāo)諸 如準(zhǔn)確 度 ，信息 含量 ，距離和 相關(guān)性等常被用來去 除無關(guān)的特征。 Wang, 2021)。 Crook, 2021。 Chen,2021。 Ong, 2021)、粗糙集理論方法(Caballero, Alvarez, Bel, amp。 Lin, 2021)和遺傳規(guī)劃方法 (Ong, Huang, amp。最近 ,研究人員又提出了 混合 的數(shù)據(jù)挖掘方法 對(duì) 有效的信用評(píng) 級(jí) 模型 進(jìn)行 設(shè)計(jì) 。 Chen, 2021)整合 神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的判別分析法 ，以及 Chou(Chou, Lin, Liu, amp。一般來說， 信用評(píng) 級(jí) 可視為 將觀察數(shù)據(jù) 分類到預(yù)先定義組 的 二元分類問題 。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。對(duì)傳統(tǒng)的統(tǒng)計(jì)分類 ,都存在假設(shè)一個(gè)潛在的概率模型。 特征子集選擇算法可以分為兩類 : 過濾 式 方法和 封 裝 式 方法 (Liu, 1998)。過濾 式方法的特點(diǎn)是獨(dú)立于任何學(xué)習(xí)算法，僅依賴于訓(xùn)練數(shù)據(jù)總 體特性的各種度量 ， 如距離 、 信息含量、相關(guān)性和一致性。但當(dāng)這些學(xué)習(xí)算法用來 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。 一般來說，過濾 方法 速度快，可以用來作為減少 特征 空間維 數(shù) 和過度擬合 的預(yù) 處理步驟。 Elisseeff, 2021)。 Kann, 1998)，快速搜索難以計(jì)算。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。 尋找最佳的懲罰 參數(shù) C 和核函數(shù)參數(shù) γ ，格點(diǎn) 搜索算法是一種合適的程序。 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。但 LDA 僅僅通過原始數(shù)據(jù)的線性變換組合成 新的變量子集 ，而不是 從原始特征空間 中直接消除不相關(guān)或冗余 的變量。 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)。這個(gè)簡單的參數(shù)化模型是歷史上第一個(gè)出現(xiàn)的信用評(píng)級(jí)模型。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。 最近 ， 它也被用 來解決 現(xiàn)實(shí)世界中的一些問題 ， 如信用 評(píng)級(jí) (Huang et al., 2021。 Vanthienen, 2021。 Stecking, 2021),、手寫字符識(shí)別 (Camastra, 2021。 Sun, Wang, Lim, amp。 Huang, Liao, amp。 Su amp。 支持向量機(jī)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化（ SRM）的原則 ， 力求最大限度地 降低 泛化誤差 的上界。一般地，利用訓(xùn)練數(shù)據(jù)估計(jì)出分類問題的判決函數(shù)。 其中 非線性函數(shù) ? 將原始空間映射到高維特征空間，超平面可由下面的等式構(gòu)建起來。 14 圖 2 是 二維空間中 一個(gè) 線性 可分問題的例子。而且數(shù)據(jù)預(yù)處理還可以避免數(shù)值計(jì)算過程中的困難，提高準(zhǔn)確性。 …… 結(jié)論 特征選擇 過程涉及確定特征子集的最高預(yù)測精確度，或者 尋求 可接受精度的最小特征子集。在本研究中 ,數(shù)據(jù)降維的預(yù)處理步驟是先于 改善整體分類性能 的分類過程的。更少的特征意味著相關(guān)部門只需集中精力關(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)樗麄冊谠u(píng)估過程中不需要考慮大量的特征，降低了計(jì)算強(qiáng)度。 本文給出了基于支持向量機(jī)的特征選擇的混合方法的比較，選取出大部分相關(guān)的有用特征而刪除那些不相關(guān)的特征。研究結(jié)果表明，混合特征選擇方法的 預(yù)測 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 ） 。在將來的研究中，不同類型的數(shù)據(jù)集可分成不同的比例 (1: 1:2,2:1)以獲得更高的準(zhǔn)確率。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 。很多有效的封裝式特征選擇方法， 如遺傳算法（ GA） 、 模擬退火（ SA） 、 蟻群優(yōu)化（ ACO）和粒子群優(yōu)化（ PSO
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1