發(fā)布時(shí)間：2021-09-07 21:49

　　隨著經(jīng)濟(jì)的快速發(fā)展,金融市場(chǎng)也在不斷的創(chuàng)新與變革。在機(jī)器學(xué)習(xí)、人工智能快速發(fā)展的今天,商業(yè)銀行經(jīng)銷也要跟上時(shí)代的腳步,應(yīng)用機(jī)器學(xué)習(xí)、人工智能知識(shí)不斷創(chuàng)新與改革,挖掘潛在客戶和客戶的潛在價(jià)值。本文基于商業(yè)銀行產(chǎn)品營銷數(shù)據(jù)利用Adaboost集成學(xué)習(xí)算法結(jié)合SVM和PCA算法構(gòu)建Adaboost SVM算法并實(shí)現(xiàn)應(yīng)用。在模型評(píng)價(jià)方面采用多指標(biāo)評(píng)價(jià),并且與經(jīng)典機(jī)器學(xué)習(xí)分類算法:SVM、決策樹及集成算法、隨機(jī)森林、xgboost、GBDT和簡單神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。發(fā)現(xiàn)Adaboost SVM模型,較之以上模型有更高的準(zhǔn)確率。雖然數(shù)據(jù)存在樣本不平衡問題,但是Adaboost SVM模型同樣取得了很好的擬合度,并且不存在過擬合或欠擬合問題。 

【文章來源】：湘潭大學(xué)湖南省

【文章頁數(shù)】：38 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

SVM分類圖

7圖2-2軟間隔線性可分支持向量距離這樣將式(2.6)轉(zhuǎn)換為：(+)≥1，(2.16)此時(shí)目標(biāo)函數(shù)為min,,12||||2+∑=1，(2.17)其中為懲罰因子函數(shù)。通過拉格朗日乘數(shù)因子函數(shù)，構(gòu)造拉格朗日函數(shù)，并通過對(duì)其求偏導(dǎo)數(shù)得到目標(biāo)函數(shù)min12∑∑=1=1()∑=1(2.18)使得∑=1=0，其中0≤≤,=1,2.2.1.5核函數(shù)支持向量機(jī)現(xiàn)實(shí)生活中，很多樣本數(shù)據(jù)是線性不可分的，針對(duì)這類問題，支持向量機(jī)的解決方法是引入核函數(shù)，將其映射到高緯度空間中，使其在高緯度空間線性可分，這里引用空間變換,如圖2-3所示。

8圖2-3線性不可分問題圖從圖2-3左邊圖可看到，該樣本點(diǎn)線性不可分，式(2.13)中的的內(nèi)積通過空間變換()()映射到高緯度空間中，使其線性可分，如圖2-3右邊圖所示。然后通過核函數(shù)(,)=()()，得到目標(biāo)函數(shù)min12∑∑=1=1()∑=1(2.19)使得∑=1=0，其中≥0,=1,2.從而得到最優(yōu)超平面函數(shù)模型()=∑∑=1=1()+.(2.20)2.1.6軟間隔核函數(shù)實(shí)際應(yīng)用中，我們很難將樣本數(shù)據(jù)映射到一個(gè)線性可分的高緯度空間中，為此同樣需要考慮對(duì)樣本點(diǎn)添加松弛變量，并進(jìn)行空間變換，此時(shí)的目標(biāo)函數(shù)與線性軟間隔函數(shù)類似，為min,,12||||2+∑=1，(2.21)使得(()+)≥1，其中≥0，=1,2,3.然后通過核函數(shù)(,)=()()=()()，并依據(jù)對(duì)偶性原則轉(zhuǎn)化核函數(shù)類型為min12∑∑()()=1∑=1=1(2.22)使得∑=1=0，其中0≤≤,=1,2.進(jìn)而可以推出

【參考文獻(xiàn)】：
期刊論文
[1]基于核主成分分析BP＿Ada Boost算法的數(shù)控銑床故障診斷[J]. 朱翔,謝峰.  機(jī)械強(qiáng)度. 2019(06)
[2]大數(shù)據(jù)背景下商業(yè)銀行的經(jīng)營與營銷策略研究[J]. 于大勇.  納稅. 2019(11)
[3]機(jī)器學(xué)習(xí)分類問題及算法研究綜述[J]. 楊劍鋒,喬佩蕊,李永梅,王寧.  統(tǒng)計(jì)與決策. 2019(06)
[4]機(jī)器學(xué)習(xí)的發(fā)展史及應(yīng)用前景[J]. 詹騏源.  科技傳播. 2018(21)
[5]決策樹幾種分類算法的分析比較[J]. 徐夢(mèng)茹,王學(xué)明.  電腦知識(shí)與技術(shù). 2018(20)
[6]基于決策樹分類算法的遙感影像土地利用分類[J]. 彭中,阿如旱,范田芳.  陰山學(xué)刊(自然科學(xué)版). 2018(02)
[7]一種基于Boosting的集成學(xué)習(xí)算法在銀行個(gè)人信用評(píng)級(jí)中的應(yīng)用[J]. 陳力,黃艷瑩,游德創(chuàng).  價(jià)值工程. 2017(18)
[8]機(jī)器學(xué)習(xí)法在信貸風(fēng)險(xiǎn)預(yù)測(cè)識(shí)別中的應(yīng)用[J]. 孫存一,王彩霞.  中國物價(jià). 2015(12)
[9]PCA算法和數(shù)學(xué)形態(tài)學(xué)理論在踝臂指數(shù)測(cè)量中的應(yīng)用[J]. 戶鵬飛,遲鶴翔,劉寶華.  傳感器與微系統(tǒng). 2013(07)
[10]基于AdaBoost-SVM級(jí)聯(lián)分類器的行人檢測(cè)[J]. 降愛蓮,楊興彤.  計(jì)算機(jī)工程與設(shè)計(jì). 2013(07)

碩士論文
[1]基于AdaBoostSVM組合算法的研究及其應(yīng)用[D]. 周昕.南昌大學(xué) 2019
[2]一種基于Boosting算法的新模型在銀行信用評(píng)級(jí)中的應(yīng)用[D]. 翟璐.北京交通大學(xué) 2016
[3]基于多源數(shù)據(jù)的選址模型及其應(yīng)用研究[D]. 張悅涵.電子科技大學(xué) 2015
[4]基于主成分分析的人臉識(shí)別算法研究[D]. 張巖.曲阜師范大學(xué) 2010
[5]分類回歸樹及其在個(gè)人信用評(píng)估中的應(yīng)用[D]. 陳燕燕.中南大學(xué) 2007



本文編號(hào)：3390303