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

　　二分类问题研究，很难使用传统的基于预测准确率的模型解决，如客户流失、信用评估等，这些问题中不同类别样本的错分代价相差很大。解决错分代价差异问题，可以通过样本数据的预处理，也可以通过引入错分代价差异：阚宝奎、刘志新等考虑到人们对于两种判别错误的“厌恶程度差异”，在双隶属SVM建立时，对训练样本进行“非对称”处理（将虚假财务报告视为绝对属于虚假财务报告，而所谓的真实报告“谨慎”对待，进行双隶属分析）。这种新方法在公司财务报告真伪判别时，表现出了高于C-SVM和BP神经网络的判别准确率、泛化能力，并且显著降低了将虚假财务报告识别为真实财务报告的错误。钱苏丽、何建敏等[5]将错分代价纳入分类算法，同时考虑数据不平衡问题，建立了代价敏感支持向量机，使算法基于代价而非基于准确率。利用中国电信某分公司预付费小灵通用户数据实证，显示改进SVM能显著提高模型效能，且模型能够在两类错误（将流失客户错误预测为不流失客户、将不流失客户预测为流失客户）中找到一个平衡点使代价最小，弥补了传统模型默认代价相同、一味追求准确率的不足。
　　3结论与展望

　　当前，对客户流失预测、财务困境预警、信用风险评估的研究方兴未艾，继传统统计模型、神经网络等，学者引入支持向量机。总体看来，二分类支持向量机预测精度、泛化能力都高于其他模型，同时为了进一步提高其效果，学者不断研究：针对数据特征（存在外点或噪声点、非平衡性、重叠性、错分代价差异性等）相应引入模糊支持向量机、加权支持向量机、双隶属支持向量机以及代价敏感性学习机制等。虽然有关二分类支持向量机的研究趋于成熟，但仍存在一定的局限性：目前仍没有很好的方法指导针对具体问题的核函数选择，缺乏有效方式将二分类问题扩展为多分类问题研究，将是未来研究方向。

　　参考文献：

　　[1]阚宝奎，刘志新，宋晓东，杨众.改进支持向量机在虚假财务报告识别中的应用[J].管理评论，vol.24，2012（5）.

　　[2]张目，周宗放.基于多目标规划和支持向量机的企业信用评估模型[J].中国软科学，vol.4，2009（5）.

　　[3]GangWu，EdwardY.Chang.Class-BoundaryAlignmentforImbalancedDatasetLearning[C].ICMLWorkshoponLearningfromImbalancedDataSetsII，WashingtonDC.2003.

　　[4]应维云，覃正，赵宇，李兵，李秀.SVM方法及其在客户流失预测中的应用研究[J].系统工程理论与实践，Vol.7，2007（7）.

　　[5]钱苏丽，何建敏，王纯麟.基于改进支持向量机的电信客户流失预测模型[J].管理科学，vol.20，2007（2）.

　　作者简介：牛轩（1989-），女，河北新乐人，硕士研究生，研究方向：市场调查。