組合分類器及其在公司財(cái)務(wù)困境預(yù)測(cè)中的應(yīng)用.pdf

1、數(shù)據(jù)挖掘是計(jì)算機(jī)科學(xué)和統(tǒng)計(jì)科學(xué)的一個(gè)交叉領(lǐng)域，是統(tǒng)計(jì)中大樣本的數(shù)據(jù)處理在計(jì)算機(jī)平臺(tái)上的實(shí)現(xiàn)過程，包括人工智能、計(jì)算機(jī)學(xué)習(xí)、統(tǒng)計(jì)方法和數(shù)據(jù)庫系統(tǒng)[1]。總體而言，數(shù)據(jù)挖掘的目的在于如何從數(shù)據(jù)集中提取到有用的信息，并將其轉(zhuǎn)化為可以理解的形式以便于將來進(jìn)一步的研究，比如預(yù)測(cè)。數(shù)據(jù)挖掘如今已經(jīng)成為大樣本數(shù)據(jù)處理的代名詞，它同時(shí)也形成了一套系統(tǒng)的計(jì)算機(jī)實(shí)現(xiàn)系統(tǒng)。統(tǒng)計(jì)理論為數(shù)據(jù)挖掘提供了研究的方向，計(jì)算機(jī)算法為數(shù)據(jù)挖掘提供了實(shí)驗(yàn)的平臺(tái)。因此，本文將

2、計(jì)算機(jī)的算法優(yōu)化運(yùn)用到傳統(tǒng)統(tǒng)計(jì)的分類方法當(dāng)中，以求在一個(gè)新的領(lǐng)域，將統(tǒng)計(jì)的理論在環(huán)境模擬中實(shí)現(xiàn)開來。
　　 此外，在有關(guān)財(cái)務(wù)、醫(yī)療、社會(huì)問題等領(lǐng)域的一些重要事件上，比如公司財(cái)務(wù)困境的預(yù)測(cè)，我們通常需要尋求兩種以上的專家觀點(diǎn)以助于做出決定。仔細(xì)權(quán)衡每一種觀點(diǎn)，并通過一些特定的方法結(jié)合眾多觀點(diǎn)，以做出最終的、可能是最明智的決定。這種多重考慮不同“專家觀點(diǎn)”的方法就是組合方法。在自動(dòng)化決策等多個(gè)應(yīng)用領(lǐng)域，普遍認(rèn)為基于組合系統(tǒng)的決策方法

3、能比單個(gè)分類器產(chǎn)生更加優(yōu)化的效果。
　　 因此，如何將統(tǒng)計(jì)中的組合分類方法在計(jì)算機(jī)平臺(tái)上實(shí)現(xiàn)出來，這就是本文著重論述的內(nèi)容。文章結(jié)構(gòu)脈絡(luò)如下:
　　 本文首先對(duì)于國(guó)內(nèi)外組合分類方法的研究成果進(jìn)行綜述，了解眾多學(xué)者對(duì)于機(jī)器分類法的研究過程，并重點(diǎn)討論如何設(shè)計(jì)和實(shí)現(xiàn)這一組合過程，尤其是各個(gè)基分類器的計(jì)算機(jī)實(shí)現(xiàn)算法和組合方法算法。討論了廣泛應(yīng)用的組合學(xué)習(xí)過程，比如Bagging、boosting、Adaboost，以及常用的組

4、合原則，比如投票機(jī)制。然后，本文通過在公司財(cái)務(wù)困境預(yù)測(cè)中的實(shí)證研究，探索不同種類的基分類器，如決策樹法、支持向量機(jī)法、最近鄰及其組合方法的預(yù)測(cè)效果，并對(duì)其進(jìn)行對(duì)比分析。實(shí)驗(yàn)過程重點(diǎn)采用以自適應(yīng)動(dòng)態(tài)權(quán)重調(diào)整法為基礎(chǔ)的Adaboost組合方法，以及五折交叉驗(yàn)證法用來防止模型的過度擬合。
　　 本文創(chuàng)新性的將不同種類的分類器進(jìn)行組合，加大基分類器的差異性，預(yù)測(cè)率得到進(jìn)一步的提高。最后進(jìn)行實(shí)驗(yàn)結(jié)果的研究總結(jié)，并對(duì)未來的研究方向給予展望。