發(fā)布時(shí)間：2022-02-05 07:20

　　融合SVM智能技術(shù)與RU-SMOTE不平衡樣本處理方法兩者之所長(zhǎng),文章構(gòu)建出RU-SMO TE-SVM模型。該模型的運(yùn)作機(jī)理為:通過SMOTE人工合成新的樣本,以RU方式消除部分樣本中的噪聲及冗余信息,充分借助SVM尋找全局最優(yōu)解的能力�；谠撃Ｐ�,文章構(gòu)建效率性指標(biāo)體系,模型在上市公司利潤(rùn)操作識(shí)別中的應(yīng)用為對(duì)象進(jìn)行具體研究,對(duì)比不同的識(shí)別性能結(jié)果,結(jié)果顯示RU-SMOTE-SVM模型對(duì)上市公司利潤(rùn)操作行為的識(shí)別具有較強(qiáng)的適用性和很高的使用價(jià)值。 

【文章來源】：財(cái)會(huì)通訊. 2020,(22)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

表2中，RBF為徑向基函數(shù)，也簡(jiǎn)稱為高斯函數(shù)，用輸入模式與中心向量的距離作為函數(shù)的自變量，具有“局圖2RU-SMOTE-SVM模型在不同核函數(shù)下的上市公司利潤(rùn)操作識(shí)別結(jié)果

真”的錯(cuò)誤，拒絕了正確的、實(shí)際上成立的假設(shè)，基于樣本統(tǒng)計(jì)量推斷其結(jié)論并非絕對(duì)正確，也可能存在錯(cuò)誤；二類錯(cuò)誤與第一類錯(cuò)誤相對(duì)，是進(jìn)行假設(shè)檢驗(yàn)時(shí)原假設(shè)不正確而接受原假設(shè)的錯(cuò)誤。由圖2、表2可知，RBF核函數(shù)下的模型具有最低值，從準(zhǔn)確率方面分析則RBF核函數(shù)下的模型具有最高值。所以，與其他核函數(shù)下的模型相比，基于RBF構(gòu)建的RU-SMOTE-SVM模型性能更為優(yōu)異，能夠?qū)ι鲜泄镜睦麧?rùn)操作行為進(jìn)行有效識(shí)別。同時(shí)，本文進(jìn)一步將RU-SMOTE-SVM模型與傳統(tǒng)的SVM、SMOTE-SVM、RU-SVM模型進(jìn)行性能結(jié)果的對(duì)比，具體如表3、圖3所示，再次驗(yàn)證RBF核函數(shù)下RU-SMOTE-SVM模型對(duì)上市公司利潤(rùn)操作行為具有良好的識(shí)別性能。由圖3、表3可知，SMOTE-SVM、RU-SVM及RU-SMOTE-SVM模型中均引入了不平衡樣本處理方法，與單獨(dú)的SVM方法相比具有更高的預(yù)測(cè)效率，對(duì)SVM自身存在的不平衡樣本問題予以有效解決，出現(xiàn)的一類和二類錯(cuò)誤較低。RU方式采取的是隨機(jī)采樣，存在大量的噪聲樣本，嚴(yán)重影響識(shí)別性能。而RU-SMOTE-SVM模型通過SMOTE人工合成新的樣本，通過RU方式將部分樣本中的噪聲及冗余信息消除，并充分借助了SVM尋找全局最優(yōu)解的能力，避免了簡(jiǎn)單復(fù)制樣本造成的數(shù)據(jù)無效問題。四、結(jié)論本文在上市公司利潤(rùn)操作識(shí)別模型構(gòu)建過程中引入了SVM智能技術(shù)，其中融入RU-SMOTE不平衡樣本處理方法進(jìn)行傳統(tǒng)識(shí)別模型的優(yōu)化，形成改進(jìn)版的RU-SMOTE-SVM模型，有效克服不平衡樣本問題。同時(shí)，上市公司的利潤(rùn)操作行為具有較強(qiáng)的隱蔽性，傳統(tǒng)的性能評(píng)估指標(biāo)無法滿足模型需求。所以，本文引入了效率指標(biāo)，提高了模型的識(shí)別精度，并對(duì)模型的識(shí)別性能及識(shí)別結(jié)果的有效性進(jìn)行驗(yàn)證，結(jié)果表明RBF核函數(shù)條件下構(gòu)建的模型識(shí)別性能最優(yōu)，即一類、二類錯(cuò)誤最低，對(duì)上市公司利?

疲?嚀邐??（1）對(duì)兩種合集所包含樣本的數(shù)量差異進(jìn)行計(jì)算，即|Sp|-|SNon-p|=|R|，將|R|/2個(gè)位發(fā)生利潤(rùn)操作行為的樣本從中隨機(jī)剔除，獲得新的未發(fā)生利潤(rùn)操作行為的樣本集合SNewNon-p。（2）對(duì)SNon-p中各樣本點(diǎn)中最近鄰的發(fā)生利潤(rùn)操作行為的樣本進(jìn)行計(jì)算。同時(shí)，在原樣點(diǎn)的基礎(chǔ)上，加上用［0，1］之間的隨機(jī)乘數(shù)與原樣點(diǎn)和隨機(jī)選擇鄰點(diǎn)之間的差值的乘積，公式表示為XNew=XSNon-p+（XSNon-p-XSNon-p）*啄。在人工合成的新樣本數(shù)量達(dá)到|R|/2之前，與RU-SMOTE不平衡樣本處理方圖1SMOTE方法的樣例合成李增欣蒲凌:RU-SMOTE-SVM利潤(rùn)操作識(shí)別模型構(gòu)建116

【參考文獻(xiàn)】：
期刊論文
[1]基于混合采樣的非平衡數(shù)據(jù)分類算法[J]. 吳藝凡,梁吉業(yè),王俊紅.  計(jì)算機(jī)科學(xué)與探索. 2019(02)
[2]基于聚類欠采樣的集成不均衡數(shù)據(jù)分類算法[J]. 武森,劉露,盧丹.  工程科學(xué)學(xué)報(bào). 2017(08)



本文編號(hào)：3614813