论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　摘要：通过梳理企业管理领域的二分类问题，发现二分类支持向量机广泛应用于客户流失预测、上市公司财务困境预警和信用风险评估。并且为了提高预测精度，学者不断改进该模型：为适应具体数据特征，如数据存在外点或噪声点、非平衡性、重叠性、错分代价差异性等，相应引入模糊、加权、双隶属支持向量机以及代价敏感性学习机制等。

　　关键词：二分类支持向量机（SVM）企业管理综述

　　1概述

　　当前，企业管理领域中的客户流失预测、公司财务困境预警、信用风险评估已成为学术界和业界关注的焦点，能否科学合理的对其进行预测，关乎企业生存和发展。利用客户静态属性数据，预测客户是否流失；利用公司财务、经营情况，预测上市公司是“财务状况正常”或“财务状况异常”；利用借款人财务、非财务状况，预测其信用状况是“正常”或“违约”。虽然上述3领域研究方向差异性大，但研究使用方法相似，因此将上述3领域研究统称为经济与管理科学领域二分类问题研究，简称二分类问题研究。

　　以上二分类问题研究利用判别分析，取得了相对准确的理论结果，但该方法需要很强的假设和限制条件，而这些条件在实际分析中通常得不到满足。近年来，随着人工智能学科的发展，学者引入神经网络，并取得了优于判别分析法的结果。但神经网络很可能陷入局部最优，无法得到全局最优，同时它是基于经验风险最小化原理，经常出现“过拟合”现象。1995年Vapnik提出支持向量机模型（SupportVectorMachine，SVM），一种基于结构风险最小化的算法。之后学者将SVM进入上述二分类问题研究，发现其泛化能力、预测精度都高于判别分析、神经网络。

　　近年来，为提高二分类问题研究中SVM预测精度，学者不断探索如何改进二分类SVM，有效降低样本数据外点或噪声点、非平衡性、重叠性及错分代价差异性的影响。

　　本文结构安排如下：第一部分是引言，第二部分是考虑样本特征的改进支持向量机，第三部分是结论与展望。

　　2改进支持向量机

　　随着人工智能领域的快速发展，学者将传统支持向量机（C-SVM）引入二分类问题研究：Min和Lee将C-SVM引入上市公司财务困境预测，夏国恩等将C-SVM引入客户流失预测，发现C-SVM优于传统判别分析、神经网络。但此阶段仅限于对模型的简单应用，未充分考虑样本数据存在外点或噪声点、非平衡性、重叠性、错分代价差异性等。