Proximal support vector machine techniques on medical prediction outcome

One of the major issues in medical field constitutes the correct diagnosis, including the limitation of human expertise in diagnosing the disease in a manual way. Nowadays, the use of machine learning classifiers, such as support vector machines (SVM), in medical diagnosis is increasing gradually. However, traditional classification algorithms can be limited in their performance when they are applied on highly imbalanced data sets, in which negative examples (i.e. negative to a disease) outnumber the positive examples (i.e. positive to a disease). SVM constitutes a significant improvement and its mathematical formulation allows the incorporation of different weights so as to deal with the problem of imbalanced data. In the present work an extensive study of four medical data sets is conducted using a variant of SVM, called proximal support vector machine (PSVM) proposed by Fung and Mangasarian [9 G.M. Fung and O.L. Mangasarian, Proximal support vector machine classifiers, in Proceedings KDD-2001: Knowledge Discovery and Data Mining, F. Provost and R. Srikant, eds., Association for Computing Machinery, San Francisco, CA, New York, 2001, pp. 77–86. Available at ftp://ftp.cs.wisc.edu/pub/dmi/tech-reports/01-02.ps. [Google Scholar]]. Additionally, in order to deal with the imbalanced nature of the medical data sets we applied both a variant of SVM, referred as two-cost support vector machine and a modification of PSVM referred as modified PSVM. Both algorithms incorporate different weights one for each class examples.     

Tabu search for covering arrays using permutation vectors

A covering array  CA(N;t,k,v)$\mathsf{CA}(N;t,k,v)$ is an N×k$N\times k$ array, in which in every N×t$N\times t$ subarray, each of the v^t$v^t$ possible t  -tuples over v$v$ symbols occurs at least once. The parameter t is the strength   of the array. Covering arrays have a wide range of applications for experimental screening designs, particularly for software interaction testing. A compact representation of certain covering arrays employs “permutation vectors” to encode v^t×1$v^t\times 1$ subarrays of the covering array so that a covering perfect hash family whose entries correspond to permutation vectors yields a covering array. We introduce a method for effective search for covering arrays of this type using tabu search. Using this technique, improved covering arrays of strength 3, 4 and 5 have been found, as well as the first arrays of strength 6 and 7 found by computational search.     

支持向量回归特征提取的ARMA准则——中国社会消费品零售总额预测的实证研究

根据统计学习理论,针对局部灰色支持向量回归方法,提出了单变量经济时间序列预测特征提取的ARMA准则.对中国社会消费品零售总额的试验结果表明:ARMA准则能客观准确地实现特征提取,获得较高的预测精度.     

技术进步能否降低中国出口贸易隐含碳排放?——基于27个制造业行业的实证分析

运用投入产出法计算了中国27个制造业行业在1995-2012年的出口贸易隐含碳排放,采用DEAMalmquist生产率指数法将技术进步分解为科技进步、纯技术效率和规模效率三个组成部分,利用向量误差修正模型分析技术进步总体及各组成部分对中国出口贸易隐含碳排放的影响。结果表明:长期来看,技术进步总体上提高了中国出口贸易隐含碳排放,短期内影响效果不显著;对于技术进步的各组成部分,短期来看,科技进步对中国出口贸易隐含碳排放的作用并不显著,纯技术效率显著提高了中国出口贸易隐含碳排放,规模效率显著降低了中国出口贸易隐含碳排放。     

存在方差持续性的资本资产定价模型分析

自回归条件异方差(ARCH) 类模型突破了传统计量经济分析的同方差假定,对现代资本 资产定价理论产生了深远的影响. 随着对时变方差研究的深入,方差持续性也日益受到人们的 重视. 文章首先介绍了条件均值、条件方差以及在自回归条件异方差的基础上介绍了方差持续 性的有关概念和性质,并将之用于资本资产定价模型的研究,讨论了条件方差持续性对资本资 产定价模型的影响,并且进一步讨论了在多资产条件下向量GARCH 模型持续性对组合投资 的影响.     

粮食补贴政策的运行机制与改革逻辑——基于不确定性状态依存方法的解释

从种粮主体视角出发,引入劳动市场收入跨度概念,基于空间向量和不确定性状态依存方法构建了粮食补贴政策运行机制与改革逻辑的理论分析框架。基于该理论框架发现:(1)粮食补贴政策的核心作用之一是为粮食产业吸引较高技能禀赋的种粮者;(2)不同类型粮食补贴都会被当成收入性补贴,其产生的收入效应会起到扩大粮食种植面积和促进粮食科技进步的作用。因此应从政策空间、政策目标和政策弹性3个维度改革完善我国粮食补贴政策:一是进一步聚焦政策目标,提高技能型经营主体种粮意愿;二是充分发挥政策乘数效应,补贴聚焦产业链中后端;三是着力优化政策响应机制,抓住信息技术革命契机。     

在线评论情感分析中固定搭配特征提取方法研究

有效和稳定的特征提取和特征表示是提高在线评论情感分析性能的重要因素.在常规的连续词袋性、触及对等特征的基础上,本文研究在线评论中固定搭配特征的提取与表示方法,提出结合互信息和平均互信息、基于粗糙集两种策略用于固定搭配特征提取,并从特征抽取方法的有效性和稳定性分析出发考查所抽取的固定搭配其内部及外部稳定性,并将经筛选的固定搭配特征融合于多种情感分析模型中进行情感分析.真实酒店评论数据上的实验表明,固定搭配特征的恰当表示和筛选有效改善情感分析模型的分类精度,此外研究发现评论中情感特征词分布不均衡情况下采用可变精度粗规则的提取策略有助于提高情感分析的分类精度.     

基于SVM求解不均衡数据集分类的主观权重约束方法

支持向量机(SVM)的二类分问题中针对不平衡数据集可以通过减少样本信息的不对称性和改进算法来解决。本文针对中小企业中有财务风险与无财务风险样本的不平衡性问题,使用一种带有主观权重约束条件的支持向量机新模型对样本进行分类。实验表明新模型确实提高了财务风险企业即少类样本的识别性能,是一种类别不均衡学习(class imbalance learning)的新方法。     

混合HOGA-SVM财务风险预警模型实证研究

目前涉及遗传算法与支持向量机相结合的预测模型中,遗传算法基本上采用的是标准算法.但是在对全局函数的优化中,一般的遗传算法容易陷入局部最优,从而降低遗传算法收敛速度和搜索精度,进而影响财务风险预警模型的精度与速度.基于此,提出了基于混合全局优化正交遗传算法(HOGA)和支持向量机(SVM)的财务风险预警模型(HOGA-SVM),通过使用混合全局优化正交遗传算法连同支持向量机来改进支持向量机进行财务风险预警的效果.结果显示,提出的模型不仅提高了财务风险预警的准确率和速度,而且模型的两类分类错误率(尤其是第一类分类错误率)相对其他模型也有了明显下降.未来的工作可以把模型的应用扩大到多分类的财务风险预警问题中.     

基于改进支持向量机的上市公司财务困境判别研究

针对上市公司财务困境判别研究的不足,本文构建了财务困境判别的双隶属模糊支持向量机模型,使每个训练样本依双隶属度同时隶属于两个类别;考虑到财务困境判别研究中两类样本非平衡的问题,本文构建了一种基于非平衡数据的改进支持向量机模型。实证结果表明,与已有的支持向量机模型相比,本文构建的改进支持向量机模型在对上市公司财务困境进行判别时精度更高,具有良好的应用价值。