基于贝叶斯组合分类的SME信贷违约预判模型

文章针对现有的大部分单一分类器预测精度不而,且具有一定限制条件的弱点,提出了应用组合分类模型对中小企业信贷违约预判的方法.以调整的SVM后验概率分类器和多维正态分布概率分类器为基本模型,构建了基于贝叶斯规则动态分配权重的组合分类模型,并把它应用于中小企业信贷违约预判.结果表明,该模型克服了普通组合预测模型权重分配固定的弱点,可获得较高的稳健性和分类精度.     

对朴素贝叶斯分类器的改进

分类是十分基础且很关键的数据分析技术,而基于贝叶斯理论的朴素贝叶斯分类技术是当前数据分析领域的一个研究热点.文章针对条件独立性假设提出了基于主成分分析的改进方法,以期能够充分体现朴素贝叶斯分类器在分类中的优势,实现改进分类效果的目的.     

朴素贝叶斯网分类器在认知诊断中的应用

朴素贝叶斯网分类器是贝叶斯分类器的一种,文章将其应用到现代教育测量的认知诊断分类中,对0,1计分下的认知诊断进行了实验,并与认知诊断中典型的分类方法进行了比较。实验结果表明,利用贝叶斯网分类器分类效果明显占优。     

特征加权朴素贝叶斯分类器在小样本中的应用

对样本分类的方法很多,比如广义朴素贝叶斯分类器[1],层次-聚类模型[2],神经网络[3]等,但对小样本的分类却存在很多困难,如:小样本的代表性不够,不能覆盖所有属性,分类器分类效果不佳等问题,文章提出的结合拉普拉斯校准的特征加权朴素贝叶斯分类器操作简单,能高效地解决了以上问题。     

基于组合预测模型的粮食价格模拟仿真比较

文章构建了基于组合预测模型的粮食价格预测模型,并实例分析了基于组合预测模型的粮食价格预测模型要比基于单一预测模型的粮食价格预测模型精度高.文章分析了现有的粮食价格预测模型的研究成果,并指出研究成果中存在的缺陷,接着建立了基于组合预测模型的粮食价格预测模型,推导出确定组合权重的计算公式,最后通过实证对比分析了基于组合预测模型的粮食价格预测能有效提升粮食价格预测精度,说明所建立模型的可行性和有效性.     

基于贝叶斯网络的上市公司财务困境预测研究

公司财务困境预测一直是国内外公司管理领域重要的研究问题。文章通过分析国内外以往公司财务困境预测研究成果与经验的基础上,选取研究样本,基于相关分析方法筛选出预测指标变量。将预测变量离散化进而学习网络参数,构建了用以预测公司财务困境状况的朴素贝叶斯网络分析模型。实证研究结果表明：作为分类和预测工具,贝叶斯网络模型在财务困境预测研究中具有良好的预测能力与应用前景。     

基于改进PCA的朴素贝叶斯分类算法

朴素贝叶斯是一种处理分类问题的常用方法,但它的属性条件独立性假设在实际应用中难以成立,导致其分类性能降低。针对这一问题,文章提出了基于改进PCA的朴素贝叶斯分类算法,该算法通过Pearson和Kendall系数计算出属性间的相关性大小,基于主成分分析筛选出新的属性集,使其尽量满足条件独立性假设,并对新数据集进行朴素贝叶斯分类。实验结果表明,该方法有效地提高了分类准确率。     

中国股市波动率的TSK非线性组合预测模型

Grey-GARCH模型是一类新的波动率模型.针对单一Grev-GARCH类模型只能有限地提高波动率的预测精度,利用TSK模糊推理系统,结合组合预测的思想,建立波动率的TSK非线性组合预测模型.通过对上证综指和深证综指的实证分析,发现与单一Grey-GARCH类模型、RBF非线性组合预测模型和线性组合预测模型相比,TSK非线性组合预测模型总体上能够获得更高的预测精度,说明TSK非线性组合预测模型是一种有效的波动率预测分析方法.     

基于模型遴选规则的汇率自适应组合预测

文章阐述了组合预测模型遴选规则的产生机理,对此遴选规则的具体形式以及组建方式进行了研究分析.为了使构建于模型遴选规则基础之上的组合预测模型更具鲁棒性及更广的适用领域,通过基于NARX神经网络的自适应调节机制来提升遴选规则的学习能力,提高了组合预测的精度和稳定性.最后以一个汇率预测的实证分析证明了该模型的有效性.     

两种数据挖掘技术在预测顾客满意度中的对比研究

分类发现是数据挖掘的重要内容,贝叶斯分类和决策树在数据挖掘中应用相当广泛,它们是生成分类器的两种有效方法。文章分别用两种方法对顾客满意度进行分类及预测,并将两种方法进行比较分析,认为用决策树分类法来预测顾客满意度具有简洁、高效等特点。