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

　　2.1外点或噪声点

　　当数据集中存在外点或噪声点时，容易使二分类SVM结果不理想，为此Liu和Huang将模糊化思想引入SVM，提出了模糊支持向量机（FSVM），根据数据点对所在类（正类、负类）的相对重要程度，分配不同的权重，以降低外点和噪声点影响。杨海军、太雷将模糊支持向量机（FSVM）算法引入上市公司财务困境预测，对沪深两市按行业板块分类的上市公司实证分析，显示该模型预测优于C-SVM。

　　2.2重叠性

　　传统SVM将样本集绝对分为互斥的两类，但现实世界中这种分类不存在经济意义，即样本很可能存在重叠性，例如财务困境预测时，财务指标既定的企业，可能由于经营远离财务困境，也可能由于经营不力而陷入财务困境。

　　考虑样本数据重叠性、外点或噪声点，Wang等构建了双隶属模糊支持向量机（B-FSVM），使每个样本点依据隶属函数同时属于两类，并利用3个公开信用数据库实证分析，发现B-FSVM判别能力高于C-SVM和FSVM。阚宝奎、刘志新等[1]将B-FSVM引入上市公司虚拟财务报告识别，其中样本点对于两类样本的隶属程度确定采用谱聚类方法。研究发现，该模型的判别准确率、泛化能力都显著优于C-SVM、BP神经网络，且可以显著降低将虚假财务报告识别为真实财务报告的错误。

　　张目、周宗放[2]采用多目标规划，减少两类样本企业信用状况的重叠。基于TOPSIS法，分别以“正常企业”样本逼近理想点、“违约企业”样本逼近负理想点为目标，构建多目标规划模型；运用实码加速遗传算法求解得出指标综合权重，通过构造加权样本，减少两类样本企业信用状况的重叠，进而提高SVM预测精度。选取沪、深股市中具有“高新技术概念”上市公司作为实验样本，实证分析得出，该方法一定程度上利于两类样本的正确区分，使SVM的预测精度提高。

　　2.3非平衡性

　　经济与管理科学中的二分类问题数据大多存在非平衡性，而非平衡性会对C-SVM分类效果产生不利影响，即C-SVM只会对数量上占优的类别具有很强的识别能力[3]。解决数据非平衡性可使用向下采样方法或构建相应模型。向下采样方法：以客户流失预测为例，从非流失客户中抽取部分样本与流失客户样本构成k：1的训练集。这种方法虽然平衡了训练集类分布，但损失了很多信息，且抽取比例、k取值确定需要多次尝试和实验。

　　应维云、覃正等[4]考虑到流失客户和非流失客户正负样本数据不平衡，引入分类加权支持向量机算法（CW-SVM），对深圳市某银行个人信贷部的客户信贷数据分析，结果表明CW-SVM要好于神经元网络和决策树方法。其中CW-SVM算法，能够通过调整类权重参数，改变分类面位置，进而提高算法分类准确性。

　　2.4错分代价差异性