本文選題：供應(yīng)商信用評(píng)價(jià) + xgboost��； 參考：《廣東工業(yè)大學(xué)》2016年碩士論文

【摘要】：隨著全球經(jīng)濟(jì)迅猛發(fā)展,市場(chǎng)競(jìng)爭(zhēng)已經(jīng)發(fā)展成為供應(yīng)鏈與供應(yīng)鏈之間的競(jìng)爭(zhēng)。供應(yīng)鏈管理模式作為一種新的管理理念與模式,近年來在國內(nèi)外逐漸受到重視,被視為是企業(yè)提升市場(chǎng)競(jìng)爭(zhēng)力的助推劑。在供應(yīng)鏈管理模式中,擁有優(yōu)秀的供應(yīng)商合作伙伴是企業(yè)競(jìng)爭(zhēng)致勝的關(guān)鍵,而對(duì)供應(yīng)商信用進(jìn)行正確評(píng)價(jià)是企業(yè)組建優(yōu)秀供應(yīng)商團(tuán)隊(duì)的重要因素。因此,對(duì)供應(yīng)商的信用進(jìn)行準(zhǔn)確評(píng)價(jià)具有重要意義�；诠⿷�(yīng)商信用評(píng)價(jià)在大數(shù)據(jù)環(huán)境下的實(shí)質(zhì)為一種模式識(shí)別問題,分類機(jī)的性能表現(xiàn)在供應(yīng)商的信用評(píng)價(jià)問題中至關(guān)重要。xgboost集成學(xué)習(xí)框架是2015年被提出種新的集成學(xué)習(xí)模型,它以其出色分類性能和魯棒性在模式識(shí)別問題上得到了較為廣泛的使用。鑒于此,本文嘗試將xgboost集成學(xué)習(xí)框架應(yīng)用于解決供應(yīng)商的信用評(píng)價(jià)問題。xgboost框架在使用時(shí),需要設(shè)置模型參數(shù)收縮步長(zhǎng)和子節(jié)點(diǎn)中最小的樣本權(quán)重閥值。通常,參數(shù)組合的選取對(duì)模型的分類性能影響較大。以往的參數(shù)尋優(yōu)方法,主要依據(jù)經(jīng)驗(yàn)給定或?qū)嶒?yàn)窮舉,但帶有一定的不確定性和隨機(jī)性。本文將人工化學(xué)反應(yīng)優(yōu)化算法(Artificial Chemical Reaction Optimization Algorithm, ACROA)應(yīng)用于xgboost框架的參數(shù)尋優(yōu),并設(shè)定不同的初始反應(yīng)物個(gè)數(shù)進(jìn)行數(shù)值實(shí)驗(yàn),驗(yàn)證基于ACROA算法的參數(shù)尋優(yōu)的穩(wěn)定性。LMT (Logistic Model Tree)算法是決策樹的一種擴(kuò)展算法,它將普通的決策樹模型和Logistic回歸模型相結(jié)合,比單獨(dú)的決策樹模型和Logistic回歸模型具有更強(qiáng)的分類性能。為進(jìn)一步提高LMT算法的分類性能和解釋能力,本文將反正切Lasso懲罰函數(shù)引入LMT模型,并通過實(shí)驗(yàn)驗(yàn)證反正切Lasso對(duì)LMT算法分類性能的優(yōu)越性。為提高供應(yīng)商信用評(píng)價(jià)中分類模型的分類精度和魯棒性,本文提出了一種基于優(yōu)化的xgboost-LMT模型——使用ACROA算法對(duì)xgboost框架進(jìn)行參數(shù)尋優(yōu),并將基于反正切Lasso懲罰函數(shù)的LMT算法引入xgboost框架,作為框架的基分類器(Based Learner)。本文在兩個(gè)真實(shí)的供應(yīng)商信用數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn),對(duì)比算法包括本文提出的基于優(yōu)化的xgboost-LMT模型、獨(dú)立基于反正切Lasso懲罰函數(shù)的LMT模型、支撐向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)和C4.5決策樹。實(shí)驗(yàn)結(jié)果表明：本文提出的供應(yīng)商信用評(píng)價(jià)算法有效可行,在準(zhǔn)確度、查全率和AUC方面,比其它四種算法有明顯提升；并且,當(dāng)數(shù)據(jù)集中包含異常值時(shí),本文提出的分類算法具有良好的魯棒性。
[Abstract]:With the rapid development of global economy, market competition has become the competition between supply chain and supply chain.As a new management concept and model, supply chain management has been paid more and more attention at home and abroad in recent years, and is regarded as a booster for enterprises to enhance their market competitiveness.In the mode of supply chain management, having excellent supplier partners is the key to the success of enterprise competition, and the correct evaluation of supplier credit is an important factor for enterprises to set up excellent supplier team.Therefore, it is of great significance to evaluate the credit of suppliers accurately.Based on the fact that supplier credit evaluation is a kind of pattern recognition problem under big data environment, the performance of classifier is very important in supplier credit evaluation. Xgboost integrated learning framework is a new integrated learning model proposed in 2015.It is widely used in pattern recognition for its excellent classification performance and robustness.In view of this, this paper attempts to apply the xgboost integrated learning framework to solve the supplier credit evaluation problem. When the xg boost framework is used, it is necessary to set the model parameter shrinkage step size and the minimum sample weight threshold in the sub-nodes.Usually, the selection of parameter combination has a great influence on the classification performance of the model.Previous parameter optimization methods are mainly based on empirical or experimental exhaustive, but with certain uncertainty and randomness.In this paper, artificial Chemical Reaction Optimization algorithm (ACROAA) is applied to the parameter optimization of xgboost framework, and different initial reactants are set up for numerical experiments.It is proved that the stability of parameter optimization based on ACROA algorithm. LMT / Logistic Model tree algorithm is an extended algorithm of decision tree. It combines the ordinary decision tree model with the Logistic regression model.It has better classification performance than the single decision tree model and Logistic regression model.In order to further improve the classification performance and interpretation ability of the LMT algorithm, this paper introduces the Lasso penalty function into the LMT model, and verifies the superiority of the Lasso in the classification performance of the LMT algorithm by experiments.In order to improve the classification accuracy and robustness of classification models in supplier credit evaluation, this paper proposes a xgboost-LMT model based on optimization, which uses ACROA algorithm to optimize the parameters of xgboost framework.The LMT algorithm based on the Lasso penalty function is introduced into the xgboost framework as the base classifier of the framework.This paper carries on the contrast experiment on two real supplier credit data sets. The contrast algorithm includes the optimized xgboost-LMT model, the independent LMT model based on the Lasso penalty function and the support vector machine.Artificial neural network and C4.5 decision tree.The experimental results show that the proposed supplier credit evaluation algorithm is effective and feasible, and its accuracy, recall and AUC are significantly higher than those of the other four algorithms, and when the data set contains outliers,The classification algorithm presented in this paper has good robustness.
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：F274;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 薛雷;胡宇吉;;改進(jìn)網(wǎng)絡(luò)信用評(píng)價(jià)機(jī)制的設(shè)想[J];東方企業(yè)文化;2010年14期

2 陳麗燕;俞偉廣;何士產(chǎn);王宸圓;;網(wǎng)絡(luò)購物信用評(píng)價(jià)模型研究[J];電腦知識(shí)與技術(shù);2014年06期

3 丁淑娟;李曉麗;;網(wǎng)購中賣家動(dòng)態(tài)信用評(píng)價(jià)模型的研究與分析[J];計(jì)算機(jī)技術(shù)與發(fā)展;2013年05期

4 劉蕾;趙繁菲;董磊;;在線交易信用評(píng)價(jià)中“惡意差評(píng)”的責(zé)任[J];河北聯(lián)合大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2014年02期

5 郭鵬文;王東;;物流貨運(yùn)交易網(wǎng)站信用評(píng)價(jià)模型研究[J];計(jì)算機(jī)應(yīng)用與軟件;2010年02期

6 孟昭睿;;基于分類回歸樹的個(gè)人信用評(píng)價(jià)模型[J];企業(yè)技術(shù)開發(fā);2009年02期

7 胡劍波;梁工謙;路艷;;C2C中賣方信用評(píng)價(jià)模型的構(gòu)建與應(yīng)用[J];情報(bào)雜志;2008年05期

8 連紅燕;;網(wǎng)絡(luò)信用評(píng)價(jià)機(jī)制績(jī)效分析[J];黑龍江對(duì)外經(jīng)貿(mào);2009年02期

9 楊曉薇;;一種改進(jìn)的C2C信用評(píng)價(jià)計(jì)分算法[J];湖北工程學(xué)院學(xué)報(bào);2013年03期

10 王泱泱;;C2C信用評(píng)價(jià)模式探索[J];山西財(cái)經(jīng)大學(xué)學(xué)報(bào);2010年S1期

相關(guān)會(huì)議論文 前3條

1 黃章樹;喬昕;;基于數(shù)據(jù)挖掘的機(jī)械制造業(yè)上市公司信用評(píng)價(jià)研究[A];第十三屆中國管理科學(xué)學(xué)術(shù)年會(huì)論文集[C];2011年

2 陸樺;馬啟升;么傲然;;開展信用評(píng)價(jià) 推進(jìn)林業(yè)機(jī)械行業(yè)誠信建設(shè)[A];第十一屆全國人造板工業(yè)發(fā)展研討會(huì)論文集[C];2012年

3 袁文華;;我國網(wǎng)上交易機(jī)制完善的過程分析[A];2012中國信息經(jīng)濟(jì)學(xué)年會(huì)會(huì)議論文集[C];2012年

相關(guān)重要報(bào)紙文章 前10條

1 中鐵十二局集團(tuán)副總經(jīng)理 史道泉;信用評(píng)價(jià)：企業(yè)健康發(fā)展的燈塔[N];中國水利報(bào);2006年

2 王興和邋陸智國;我市全面啟動(dòng)中介組織信用評(píng)價(jià)工作[N];鎮(zhèn)江日?qǐng)?bào);2008年

3 朱慶慶　錢華明;2010年度中介組織信用評(píng)價(jià)結(jié)果公布[N];鎮(zhèn)江日?qǐng)?bào);2010年

4 記者 楊秀權(quán);十九局集團(tuán)信用評(píng)價(jià)支撐經(jīng)營大業(yè)[N];中國鐵道建筑報(bào);2011年

5 賀震;信用評(píng)價(jià)求公正得公認(rèn)[N];中國環(huán)境報(bào);2014年

6 宋特哉;環(huán)保信用評(píng)價(jià)莫失信[N];中國礦業(yè)報(bào);2014年

7 本報(bào)記者 馬吉軍;盡快統(tǒng)一信用評(píng)價(jià)標(biāo)準(zhǔn)[N];中國消費(fèi)者報(bào);2003年

8 屈凌燕 高嵩;浙江嘉興公開房地產(chǎn)中介信用評(píng)價(jià)[N];國際商報(bào);2006年

9 孫繼德 同濟(jì)大學(xué)工程管理研究所;信用評(píng)價(jià)的市場(chǎng)機(jī)制[N];建筑時(shí)報(bào);2006年

10 曲德輝;期貨公司信用評(píng)價(jià)項(xiàng)目進(jìn)入攻堅(jiān)階段[N];期貨日?qǐng)?bào);2008年

相關(guān)博士學(xué)位論文 前4條

1 王虹;農(nóng)民專業(yè)合作社信用評(píng)價(jià)研究[D];沈陽農(nóng)業(yè)大學(xué);2015年

2 張洪祥;基于多維時(shí)間序列的信用評(píng)價(jià)建模及應(yīng)用[D];東北大學(xué);2013年

3 管曉永;中小企業(yè)信用評(píng)價(jià)因素研究[D];浙江大學(xué);2005年

4 程鑫;基于支持向量機(jī)的農(nóng)戶信用評(píng)價(jià)研究[D];山西財(cái)經(jīng)大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 仝存玉;制造業(yè)上市公司信用評(píng)價(jià)研究[D];財(cái)政部財(cái)政科學(xué)研究所;2015年

2 郝鵬東;P2P網(wǎng)貸借款人的信用評(píng)價(jià)研究[D];五邑大學(xué);2015年

3 郭婷婷;新生代信用評(píng)價(jià)[D];天津財(cái)經(jīng)大學(xué);2015年

4 趙偉濤;基于AHP的信用評(píng)價(jià)方法在公益拼車模式中的研究與應(yīng)用[D];中國海洋大學(xué);2015年

5 萬志捷;P2P網(wǎng)絡(luò)借貸個(gè)人信用評(píng)價(jià)研究[D];河南工業(yè)大學(xué);2016年

6 劉暢;中小企業(yè)信用評(píng)價(jià)模型構(gòu)建研究[D];湖北工業(yè)大學(xué);2016年

7 吳躍普;出口企業(yè)信用風(fēng)險(xiǎn)管理問題研究[D];南京大學(xué);2016年

8 樊鵬;基于優(yōu)化的xgboost-LMT模型的供應(yīng)商信用評(píng)價(jià)研究[D];廣東工業(yè)大學(xué);2016年

9 熊遠(yuǎn)林;C2C電子商務(wù)非對(duì)稱信用評(píng)價(jià)研究[D];燕山大學(xué);2016年

10 蕭大偉;山東省企業(yè)環(huán)境信用評(píng)價(jià)指標(biāo)體系研究[D];新疆大學(xué);2016年

，

本文編號(hào)：1754039