检索结果-南通市图书馆

作者：张开山西大学

学位级别：硕士

在数据挖掘的分类应用中,决策树算法是最为广泛的一种分类算法,具有算法简单高效、分类精准度高的特点,但是在建立分类模型的过程中将所有的误判分类平等对待,导致不同成本值的错误分类没有在建模过程中区别对待,使得模型错误分类的总... 详细信息

在数据挖掘的分类应用中,决策树算法是最为广泛的一种分类算法,具有算法简单高效、分类精准度高的特点,但是在建立分类模型的过程中将所有的误判分类平等对待,导致不同成本值的错误分类没有在建模过程中区别对待,使得模型错误分类的总成本值较高。针对以上问题,本文引入了成本矩阵的概念,通过分析不同类型的误判成本值,组成相应的成本矩阵,并且在医院患者分类的数据挖掘过程中实现了C5.0算法的优化,从而建立误判成本较小的患者预测分类模型,通过实验也验证了成本矩阵可以有效的降低预测分类模型的误判成本。本文首先对决策树分类算法进行了分析,深入研究了基于成本矩阵的决策树C5.0算法优化及其在医院患者分类中的应用,并且根据医院患者分类的实际应用情况,对数据挖掘模型的成本矩阵、剪枝程度和Boosting算法进行了分析研究。在成本矩阵的优化分析中引入了高成本错误误判成本值COST(高)、一般成本错误误判成本值COST(中)、低成本错误误判成本值COST(低),并且分析了误判成本取值的判定条件,最终对比分析得到COST(高)=3、COST(中)=2、COST(低)=1。在剪枝程度优化分析中分析了剪枝程度选取的两个参考值：决策树模型的复杂程度和分类准确率,通过实验对比分析两个参考值得到剪枝程度的最优值。在Boosting算法的优化分析中针对算法的迭代次数和过度拟合问题进行分析,通过测试样本的对比发现了过度拟合的问题,所以在本次建模中不能使用Boosting迭代算法。在此基础之上,对医院的住院客户进行数据取样、预处理和建模数据抽取,使用决策树C5.0算法建立了住院患者预测分类模型,并且用测试数据对模型进行测试分析。与此同时,将该模型应用于医院客户关系管理系统中的住院患者分类模块中,实现了医院CRM系统中的资料管理模块,能够对新入院的住院患者进行价值分类。本论文的创新点在于研究分析了全新的决策树C5.0算法,在预测分类中将误判成本考虑在内,给出了误判成本值的取值条件,建立了成本矩阵指导建模,并且实现了在模型整体错误率变化不大的情况下做到预测分类错误成本最小。在Boosting算法分析中发现了Boosting迭代算法会导致建模数据过度拟合的问题。本次建立的患者预测分类模型虽然具有风险度低、稳定性好等优点,但是模型在建模数据和测试数据中的分类错误率较高,分别是8.29%和8.17%,所以分类的精确度还可以进一步提高。

关键词：决策树 C5.0算法误判成本成本矩阵

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

公司财务预警LOGIT模型最优分界点实证研究

引用

商业研究 2014年第6期 76-82页

作者：郑玉华崔晓东南京信息工程大学经济管理学院南京210044 南京晓庄学院经济与管理学院南京211171

在利用Logit模型对企业的财务困境或违约进行预测时,现有文献往往将0.5作为判别财务困境或违约与否的标准,没有考虑最优分界点与样本配比和误判成本之间的联系。最优分界点的选择应当满足使整体错误分类率达到最小,或者使整体错误分类... 详细信息

在利用Logit模型对企业的财务困境或违约进行预测时,现有文献往往将0.5作为判别财务困境或违约与否的标准,没有考虑最优分界点与样本配比和误判成本之间的联系。最优分界点的选择应当满足使整体错误分类率达到最小,或者使整体错误分类成本达到最小。分界点的设置不仅取决于两类错误的成本,还取决于模型构建者在样本选择时所设置的样本配比比例。本文给出了在误判成本最小化基础上最优分界点的理论推导过程和计算步骤,并对1:1和1:3样本配比情况下的最优分界点进行比较研究,发现无论是1:1还是1:3样本配比,第一类错误相对于第二类错误的成本越大,最优分界点就应该选择较小的值;在设定的1/1、1/5、1/10这三种成本比值下,两种样本配比情况下的最优分界点都小于0.5;在1:3的样本配比下,适当的分界点不仅能保证分类的准确性,还能更好地控制第一类错误,减小分类错误成本,而样本配比比例进一步提高可能会出现分界点过小的情况。

关键词： Logit模型财务预警样本配比误判成本最优分界点

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

信用评级模型的数据离散化研究

引用

数学的实践与认识 2019年第23期49卷 60-66页

作者：夏利宇刘赛可何晓群国网能源研究院有限公司北京102209 中国人民大学应用统计科学研究中心北京100872

连续变量离散化属于信用评级建模的初始阶段,科学的离散化操作能够提升模型的分类效果和参数的稳定性,便于评级模型的产品呈现.考虑信用评级的误判成本差异,对类别-属性一致性最大化准则进行类别权重调整,提出ACACM准则,并提出基于ACAC... 详细信息

连续变量离散化属于信用评级建模的初始阶段,科学的离散化操作能够提升模型的分类效果和参数的稳定性,便于评级模型的产品呈现.考虑信用评级的误判成本差异,对类别-属性一致性最大化准则进行类别权重调整,提出ACACM准则,并提出基于ACACM准则的数据离散化算法.ACACM算法调整原算法中不同类别个体的权重,更加倾向于刻画误判成本较高的违约客户,使离散化后的变量能够提升评级模型的风险控制能力,更适合信用评级建模.

关键词：信用评级模型数据离散客户分类权重调整误判成本

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

Z-score模型最优分割点的确定方法比较——基于违约风险预测能力的分析

引用

南方金融 2013年第8期 74-77页

作者：朱艳敏陈超苏州大学东吴商学院江苏苏州215006 浙江万里学院商学院浙江宁波315100

Z-score模型在对企业进行财务困境和违约风险判别方面具有重要的应用价值,最优分割点的确定方法对于提高模型的违约风险判别能力至关重要。本文以医药生物行业上市公司为样本,运用Fisher逐步判别法从15类财务比率中筛选出判别能力较强的... 详细信息

Z-score模型在对企业进行财务困境和违约风险判别方面具有重要的应用价值,最优分割点的确定方法对于提高模型的违约风险判别能力至关重要。本文以医药生物行业上市公司为样本,运用Fisher逐步判别法从15类财务比率中筛选出判别能力较强的7个指标构建了Z-score模型,并尝试采用加权平均法和考虑先验概率及误判成本的ZETAc模型法分别确定最优分割点。研究发现,ZETAc模型法预测企业违约风险的能力明显优于加权平均法。

关键词： Z—score模型最优分割点先验概率误判成本

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于多元判别模型和BP神经网络模型的上市公司财务困境预警

基于多元判别模型和BP神经网络模型的上市公司财务困境预警

引用

作者：俞磊吉林大学

学位级别：硕士

财务困境不仅是市场经济中的普遍现象,也是一个世界性的问题。尤其是在我国加入WTO之后,我国企业还要面临着其他国家企业的竞争,这大大增加了发生财务困境的可能性。实践表明,多数公司陷入财务困境是一个逐步的过程,都是由财务状况异常... 详细信息

财务困境不仅是市场经济中的普遍现象,也是一个世界性的问题。尤其是在我国加入WTO之后,我国企业还要面临着其他国家企业的竞争,这大大增加了发生财务困境的可能性。实践表明,多数公司陷入财务困境是一个逐步的过程,都是由财务状况异常到逐步恶化,最终导致公司破产的。因此建立模型对企业进行财务困境预警是可能的,也是必要的。正确有效地预测财务困境对于经营者防范风险、对于保护投资者和债权人的权益、对于政府管理部门加强对经济的监管,都具有重要的现实意义。本文应用Fisher多元分析判别模型和BP神经网络模型对上市公司进行财务困境预警,并应用误判成本标准和判别风险标准比较了两种模型的实证结果, 本文的具体内容是作安排如下的: 第1章是本文的绪论,介绍了本文的研究背景、研究意义以及研究框架。第2章首先论述了国内外学者对财务困境的定义,但是国内外学者对公司财务困境并没有统一的定义,因此本文将被特别处理(ST)作为上市公司处于财务困境的标志。之后,本章详细论述了国外和国内在财务困境方面的一些研究成果以及研究方法。其中,研究财务困境的方法有单变量分析法、多元判别分析法、Logit模型以及神经网络模型、生存分析法、粗糙集分析法等等。第3章首先说明本文的实证研究是从沪深两市的上市公司中选择了2006—2010年被特别处理的100家上市公司,并且为了剔除了行业与资产规模的不良影响,选取了行业和资产规模与ST上市公司相同或相近的100家上市公司作为配对的样本,随机的将所有样本分为了建模组和检验组,其中建模组用来构建企业的财务困境预警模型,检验组用来判别模型对企业财务困境预测能力。接着,从盈利能力、偿债能力、运营能力、成长能力以及公司股票价值角度,初步选取构建上市公司财务困境预警模型的21个财务指标。最后,对Fisher判别法和BP神经网络的基本原理做了简单的阐述。第4章是本文的实证研究部分。本章首先对变量进行了正态性检验、均值差异检验,将样本均值差异不显著的变量予以剔除,对剩余的比财务变量进行了相关性检验,剔除了相关性较强的一些指标,最后筛选出了适合用于建立模型的财务变量,分别构建了t-1年、t-2年以及t-3年的Fisher多元判别模型,然后选取了所有的21个财务指标构建了BP神经网络模型,我们发现无论是BP神经网络模型还是Fisher多元判别模型,离ST宣告日越远,其预测准确率就越低,而且在财务困境前1-3年,BP神经网络模型对财务困境预测的准确率都高于Fisher多元判别模型。最后我们应用误判成本标准和判别风险标准对两种模型的实证结果进行了比较。结果显示:在财务困境前1-3年,无论是运用误判成本标准还是判别风险标准, BP神经网络模型的表现都优于Fisher多元判别模型。本文的结论是对实证分析所做的总结,并指出本文研究的局限性为今后相关研究发展的方向。

关键词：财务困境多元判别模型 BP神经网络模型误判成本判别风险

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于代价矩阵的C5.0优化算法及在医院客户关系管理中的应用

基于代价矩阵的C5.0优化算法及在医院客户关系管理中的应用

引用

作者：张瑞琪太原理工大学

学位级别：硕士

客户关系管理作为一个全新的理念,在国内的电力、营销等行业都有了一定的应用发展,但在医疗行业的应用发展还是非常少的,随着医疗体制改革的深入发展,医疗行业的客户关系管理正在成为一个热门课题。在数据挖掘的分类应用中,决策树算法... 详细信息

客户关系管理作为一个全新的理念,在国内的电力、营销等行业都有了一定的应用发展,但在医疗行业的应用发展还是非常少的,随着医疗体制改革的深入发展,医疗行业的客户关系管理正在成为一个热门课题。在数据挖掘的分类应用中,决策树算法是最为广泛的一种分类算法,具有算法简单高效、分类精准度高的特点,所以本次医院患者分类优先选取了决策树的C5.0算法,并且针对患者分类模型引入了代价矩阵的实现了C5.0算法的优化,从而建立误判代价较小的患者分类模型。本文首先对决策树分类算法进行了分析,深入研究了基于代价矩阵的决策树C5.0算法优化及其在医院患者分类中的应用,并且根据医院患者分类的实际应用情况,对数据挖掘模型的代价矩阵、剪枝程度和Boosting算法进行了分析研究。在代价矩阵的优化分析中引入了高代价错误误判代价值COST(高)、一般代价错误误判代价值COST(中)、低代价错误误判代价值COST(低),并且分析了误判代价取值的判定条件,最终对比分析得到COST(高)=3、COST(中)=2、COST(低)=1。在剪枝程度优化分析中分析了剪枝程度选取的两个参考值：决策树模型的复杂程度和分类准确率,通过实验对比分析两个参考值得到剪枝程度的最优值。在Boosting算法的优化分析中针对算法的迭代次数和过度拟合问题进行分析,通过测试样本的对比发现了过度拟合的问题,所以在本次建模中不能使用Boosting迭代算法。在此基础之上,对医院的住院客户进行数据取样、预处理和建模数据抽取,使用决策树C5.0算法建立了住院患者分类模型,并且用测试数据对模型进行测试分析。与此同时,将该模型应用于医院客户关系管理系统中的住院患者分类模块中,实现了医院CRM系统中的资料管理模块,能够对新入院的住院患者进行价值分类。本论文的创新点在于研究分析了全新的决策树C5.0算法,在预测分类中将误判代价考虑在内,给出了误判代价值的取值条件,建立了代价矩阵指导建模,并且实现了在模型整体错误率变化不大的情况下做到预测分类错误代价最小。在Boosting算法分析中发现了Boosting迭代算法会导致建模数据过度拟合的问题。本次建立的患者分类模型虽然具有风险度低、稳定性好等优点,但是模型在建模数据和测试数据中的分类错误率较高,分别是8.29%和8.17%,所以分类的精确度还可以进一步提高。

关键词：决策树客户关系管理 C5.0算法误判成本代价矩阵

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：