基于優(yōu)化的xgboosT-LMT模型的供應(yīng)商信用評價研究.pdf

1、隨著全球經(jīng)濟(jì)迅猛發(fā)展，市場競爭已經(jīng)發(fā)展成為供應(yīng)鏈與供應(yīng)鏈之間的競爭。供應(yīng)鏈管理模式作為一種新的管理理念與模式，近年來在國內(nèi)外逐漸受到重視，被視為是企業(yè)提升市場競爭力的助推劑。在供應(yīng)鏈管理模式中，擁有優(yōu)秀的供應(yīng)商合作伙伴是企業(yè)競爭致勝的關(guān)鍵，而對供應(yīng)商信用進(jìn)行正確評價是企業(yè)組建優(yōu)秀供應(yīng)商團(tuán)隊的重要因素。因此，對供應(yīng)商的信用進(jìn)行準(zhǔn)確評價具有重要意義。
　　基于供應(yīng)商信用評價在大數(shù)據(jù)環(huán)境下的實質(zhì)為一種模式識別問題，分類機的性能表現(xiàn)在供應(yīng)

2、商的信用評價問題中至關(guān)重要。xgboost集成學(xué)習(xí)框架是2015年被提出一種新的集成學(xué)習(xí)模型，它以其出色分類性能和魯棒性在模式識別問題上得到了較為廣泛的使用。鑒于此，本文嘗試將xgboost集成學(xué)習(xí)框架應(yīng)用于解決供應(yīng)商的信用評價問題。
　　xgboost框架在使用時，需要設(shè)置模型參數(shù)收縮步長和予節(jié)點中最小的樣本權(quán)重閥值。通常，參數(shù)組合的選取對模型的分類性能影響較大。以往的參數(shù)尋優(yōu)方法，主要依據(jù)經(jīng)驗給定或?qū)嶒灨F舉，但帶有一定的不確定

3、性和隨機性。本文將人工化學(xué)反應(yīng)優(yōu)化算法(Artificial Chemical Reaction Optimization Algorithm，ACROA)應(yīng)用于xgboost框架的參數(shù)尋優(yōu)，并設(shè)定不同的初始反應(yīng)物個數(shù)進(jìn)行數(shù)值實驗，驗證基于ACROA算法的參數(shù)尋優(yōu)的穩(wěn)定性。
　　LMT(Logistic Model Tree)算法是決策樹的一種擴(kuò)展算法，它將普通的決策樹模型和Logistic回歸模型相結(jié)合，比單獨的決策樹模型和Lo

4、gistic回歸模型具有更強的分類性能。為進(jìn)一步提高LMT算法的分類性能和解釋能力，本文將反正切Lasso懲罰函數(shù)引入LMT模型，并通過實驗驗證反正切Lasso對LMT算法分類性能的優(yōu)越性。
　　為提高供應(yīng)商信用評價中分類模型的分類精度和魯棒性，本文提出了一種基于優(yōu)化的xgboost-LMT模型——使用ACROA算法對xgboost框架進(jìn)行參數(shù)尋優(yōu)，并將基于反正切Lasso懲罰函數(shù)的LMT算法引入xgboost框架，作為框架的基分