面向问题域的增强TAN分类器研究

TAN是一种非常有效的贝叶斯网分类器,但其不足之处是缺少根据实际问题放宽假设限制条件的能力.首先提出了增强属性的概念,通过有差别地处理属性变量实现对TAN分类器的扩展,从而得到了增强的TAN分类器(ATAN).其次,引入数据挖掘工具Weka中更一般化的TAN学习算法,并在此基础上实现了ATAN学习算法.利用Weka实验平台进行的大量测试表明,对于大多数分类问题,ATAN的确能够在不增加时间复杂度的前提下得到相对于TAN更高的分类准确率.     

基于Agent真实行为揭示社会经济复杂之谜——集成建模与计算实验的实现途径

社会经济问题的复杂性源于人类行为及其结构的复杂性,通过社会科学理论与高性能计算结合的计算社会科学方法探索和认知人类社会特有的复杂性,是科学进步显著的时代特征和必然趋势,也是人文社会科学研究的必由之路。因此,有必要在简述计算社会科学的主要特性与核心问题的基础上,着重探讨真实世界中微观主体行为属性、行为分类器和一体化建模等关键性技术,并通过利用信息网络技术和计算实验方法解决复杂经济问题的实例,从主体行为视角回答社会科学研究中计算实验究竟能够做什么、应该如何计算等问题,由此探寻研究社会经济问题复杂性的可行途径与有效方法。     

基于粕糙集与广义关联度系数的贝叶斯中医证候分类模型

文章主要探讨了一种贝叶斯分类方法在肝炎后肝硬化中医诊断中的应用,介绍了粗糙集理论、广义关联度系数以及贝叶斯分类模型等数据挖掘技术.并且,运用粗糙集理论及广义关联度系数方法,对287例肝炎后肝硬化的症状、体征进行了属性选择.进一步,利用树增广的朴素贝叶斯分类算法,构建了肝炎后肝硬化中医证候分类模型.实验表明这种模型对肝炎后肝硬化的6种主要证候分类的符合率达83%.研究结果对肝炎后肝硬化的中医临床诊断具有参考意义.     

基于NSVM的核空间训练数据减少方法

针对核空间中大数据集的计算代价高问题,提出用NSVM方法减少分类器的训练数据。先用NSVM、核主成分分析(KPCA)和贪婪KPCA分别从全部训练数据中提取训练分类器的子集;再用子集训练分类器,并用训练和测试数据的错分率对分类结果进行评价。在两个数据集和两种分类器中,用KPCA提取的子集训练的分类器的分类性能弱于NSVM和贪婪KPCA,但用贪婪KPCA提取的子集训练的分类器的泛化能力弱于NSVM。仿真结果表明,用NSVM方法提取的子集训练的分类器,不仅保证了分类器的泛化能力,也降低了分类算法的计算复杂度。     

基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究

针对不同样本在特征空间中具有不同的区域特性和不同分类算法之间的预测互补性,在电信客户流失预测理论基础上,融合多分类器动态集成理论和成本敏感学习理论,建立了电信客户流失多分类器集成预测的利润函数,并提出了一类新的基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型.首先使用K均值聚类法聚类训练样本成多个分区;接着使用NaiveBayes算法、多层感知机算法和J48算法在各分区样本上构建客户流失预测子分类器;最后使用改进人工鱼群算法分别对各分区的子分类器进行成本敏感优化集成.实验结果表明,所提出的基于多分类器动态选择与成本敏感优化集成模型的分类性能不仅优于由训练集全体样本所构建的3个单模型,也优于基于改进人工鱼群算法优化集成这3个单模型而得到的集成模型.     

基于多分类器投票表决组合的私募股权投资风险预测度研究

私募股权投资基金是一种新型衍生金融投资工具,因其非公开发行与私下募集的特性,从而具有较高的投资风险。为了监测私募股权基金投资的不确定性所诱发的潜在风险,采用了多分类器投票表决组合方法构建了风险预测模型,通过改进和优化投票表决规则来提高组合分类器对不同数据类别模式的识别能力,将统计小样本测试后得到的单个分类器识别性能的先验知识作为投票表决的根据,通过投票表决时每个类别的表决阈值设置来提升组合的预测效果。在模型构建的基础上,选取了清科集团(Zero2iPo)发布的年度私募股权相关投资案例作为对象进行仿真模拟,仿真结果显示,所构建的组合预测模型具有显著的优越性,能够大幅提高私募股权投资风险预测的准确率。     

基于SODM的贝叶斯分类器结构学习及其在客户分类中的应用

将自组织数据挖掘理论引入贝叶斯分类中,提出一种新颖的贝叶斯分类器结构学习算法.算法将基于依赖分析和评分搜索两种贝叶斯网络结构学习思想相接合,根据互信息测度值选择初始模型,用贝叶斯评分作为筛选中间模型的外准则,能够在不同数据集上完成自适应建模过程,包括选择进入模型的变量、确定具有最优复杂度的模型结构等.在 10 个UCI数据集上进行分类测试,结果表明,贝叶斯分类器结构学习算法分类器的分类精度要高于常用的朴素贝叶斯、树扩展朴素贝叶斯以及基于K2算法的分类器.进一步地,在信用卡客户分类数据集german上的学习曲线和抗干扰试验还表明,与朴素贝叶斯、树扩展朴素贝叶斯以及K2等分类器相比,贝叶斯分类器结构学习算法分类器具有更加稳定的分类性能和更强的抗干扰能力.     

Bagging-BP算法及其在客户信用评估中的应用

随着银行信贷的发展以及其对信用风险的关注,客户信用评估已成为银行业研究的一个重要内容。目前信用评估的研究中采用单个分类器进行评估,预测精度难以提高,本文提出了Bagging-BP算法,它以BP神经网络作为基本分类器,利用Bagging方法产生多个基本分类器,最后用简单多数投票法进行集成。在UCI中的German和Australian信用数据集上的实验结果表明,Bagging-BP优于单个分类器和以其他基本分类器进行组合的算法。     

基于多分类器融合的客户细分研究

基于多分类器融合技术,建立了新的客户分类模型,该模型通过使用分类融合器,将多个分类器得到的客户信用评估结果进行合并,从而综合了不同分类器的局部优势,提高了分类性能.采用线性分类融合器,并通过遗传算法对分类器进行优化.实验分析表明,该方法的分类效果明显优于传统的运用单个分类器的分类方法.     

基于SODM的多分类器融合及其在客户分类中的应用

目前大多数客户分类研究常采用单一的分类模型.引入多分类器融合方法,并将其与自组织数据挖掘理论(SODM)相结合,提出了基于SODM的选择性融合算法(SBSF).SBSF从全部基分类器的分类结果组成的初始模型集出发,由上一层模型两两组合产生新的待选模型,用最小二乘法来估计融合权重,而用外准则来评价和筛选中间候选模型,直到根据终止法则找到最优复杂度的融合模型.在15个UCI数据集上的实验结果显示,与单一的分类模型以及常用的多数投票法、贝叶斯方法、遗传算法等5种融合方法相比,SBSF具有更高的分类精度.进一步地,在信用卡数据集"german"上的客户分类实验表明,SBSF能自适应地从基分类器池中选择一个适当的基分类器子集进行融合,从而提高客户分类的精度.