基于Adaboost集成學習方法在銀行營銷中的應用
發(fā)布時間：2021-09-07 21:49
隨著經濟的快速發(fā)展,金融市場也在不斷的創(chuàng)新與變革。在機器學習、人工智能快速發(fā)展的今天,商業(yè)銀行經銷也要跟上時代的腳步,應用機器學習、人工智能知識不斷創(chuàng)新與改革,挖掘潛在客戶和客戶的潛在價值。本文基于商業(yè)銀行產品營銷數(shù)據(jù)利用Adaboost集成學習算法結合SVM和PCA算法構建Adaboost SVM算法并實現(xiàn)應用。在模型評價方面采用多指標評價,并且與經典機器學習分類算法:SVM、決策樹及集成算法、隨機森林、xgboost、GBDT和簡單神經網絡進行對比。發(fā)現(xiàn)Adaboost SVM模型,較之以上模型有更高的準確率。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】：湘潭大學湖南省
【文章頁數(shù)】：38 頁
【學位級別】：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)轉換為：(+)≥1，(2.16)此時目標函數(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)，構造拉格朗日函數(shù)，并通過對其求偏導數(shù)得到目標函數(shù)min12∑∑=1=1()∑=1(2.18)使得∑=1=0，其中0≤≤,=1,2.2.1.5核函數(shù)支持向量機現(xiàn)實生活中，很多樣本數(shù)據(jù)是線性不可分的，針對這類問題，支持向量機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，該樣本點線性不可分，式(2.13)中的的內積通過空間變換()()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)實際應用中，我們很難將樣本數(shù)據(jù)映射到一個線性可分的高緯度空間中，為此同樣需要考慮對樣本點添加松弛變量，并進行空間變換，此時的目標函數(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)對偶性原則轉化核函數(shù)類型為min12∑∑()()=1∑=1=1(2.22)使得∑=1=0，其中0≤≤,=1,2.進而可以推出
【參考文獻】：
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. 機械強度. 2019(06)
[2]大數(shù)據(jù)背景下商業(yè)銀行的經營與營銷策略研究[J]. 于大勇. 納稅. 2019(11)
[3]機器學習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)計與決策. 2019(06)
[4]機器學習的發(fā)展史及應用前景[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]. 徐夢茹,王學明. 電腦知識與技術. 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. 陰山學刊(自然科學版). 2018(02)
[7]一種基于Boosting的集成學習算法在銀行個人信用評級中的應用[J]. 陳力,黃艷瑩,游德創(chuàng). 價值工程. 2017(18)
[8]機器學習法在信貸風險預測識別中的應用[J]. 孫存一,王彩霞. 中國物價. 2015(12)
[9]PCA算法和數(shù)學形態(tài)學理論在踝臂指數(shù)測量中的應用[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級聯(lián)分類器的行人檢測[J]. 降愛蓮,楊興彤. 計算機工程與設計. 2013(07)
碩士論文
[1]基于AdaBoostSVM組合算法的研究及其應用[D]. 周昕.南昌大學 2019
[2]一種基于Boosting算法的新模型在銀行信用評級中的應用[D]. 翟璐.北京交通大學 2016
[3]基于多源數(shù)據(jù)的選址模型及其應用研究[D]. 張悅涵.電子科技大學 2015
[4]基于主成分分析的人臉識別算法研究[D]. 張巖.曲阜師范大學 2010
[5]分類回歸樹及其在個人信用評估中的應用[D]. 陳燕燕.中南大學 2007
本文編號：3390303
【文章來源】：湘潭大學湖南省
【文章頁數(shù)】：38 頁
【學位級別】：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)轉換為：(+)≥1，(2.16)此時目標函數(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)，構造拉格朗日函數(shù)，并通過對其求偏導數(shù)得到目標函數(shù)min12∑∑=1=1()∑=1(2.18)使得∑=1=0，其中0≤≤,=1,2.2.1.5核函數(shù)支持向量機現(xiàn)實生活中，很多樣本數(shù)據(jù)是線性不可分的，針對這類問題，支持向量機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，該樣本點線性不可分，式(2.13)中的的內積通過空間變換()()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)實際應用中，我們很難將樣本數(shù)據(jù)映射到一個線性可分的高緯度空間中，為此同樣需要考慮對樣本點添加松弛變量，并進行空間變換，此時的目標函數(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)對偶性原則轉化核函數(shù)類型為min12∑∑()()=1∑=1=1(2.22)使得∑=1=0，其中0≤≤,=1,2.進而可以推出
【參考文獻】：
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. 機械強度. 2019(06)
[2]大數(shù)據(jù)背景下商業(yè)銀行的經營與營銷策略研究[J]. 于大勇. 納稅. 2019(11)
[3]機器學習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)計與決策. 2019(06)
[4]機器學習的發(fā)展史及應用前景[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]. 徐夢茹,王學明. 電腦知識與技術. 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. 陰山學刊(自然科學版). 2018(02)
[7]一種基于Boosting的集成學習算法在銀行個人信用評級中的應用[J]. 陳力,黃艷瑩,游德創(chuàng). 價值工程. 2017(18)
[8]機器學習法在信貸風險預測識別中的應用[J]. 孫存一,王彩霞. 中國物價. 2015(12)
[9]PCA算法和數(shù)學形態(tài)學理論在踝臂指數(shù)測量中的應用[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級聯(lián)分類器的行人檢測[J]. 降愛蓮,楊興彤. 計算機工程與設計. 2013(07)
碩士論文
[1]基于AdaBoostSVM組合算法的研究及其應用[D]. 周昕.南昌大學 2019
[2]一種基于Boosting算法的新模型在銀行信用評級中的應用[D]. 翟璐.北京交通大學 2016
[3]基于多源數(shù)據(jù)的選址模型及其應用研究[D]. 張悅涵.電子科技大學 2015
[4]基于主成分分析的人臉識別算法研究[D]. 張巖.曲阜師范大學 2010
[5]分類回歸樹及其在個人信用評估中的應用[D]. 陳燕燕.中南大學 2007
本文編號：3390303
本文鏈接：http://sikaile.net/guanlilunwen/lindaojc/3390303.html
