針對傳統(tǒng)信用評價方法分類精度較低、數(shù)據(jù)集屬性變量間存在相關(guān)性等問題,提出基于主成分分析的稀疏貝葉斯學(xué)習(xí)(PCA-SBL)算法。首先對數(shù)據(jù)集特征變量進行主成分分析,使降維后的變量無相關(guān)性;其次,對主成分分析后的數(shù)據(jù)進行稀疏貝葉斯分類;最后將PCA-SBL分類方法分類精度與傳統(tǒng)分類方法精度進行比較。分析發(fā)現(xiàn),在German Credit Data和Australian Credit Data上,與傳統(tǒng)KNN、樸素貝葉斯、SVM、隨機森林、決策樹相比,改進的SBL算法分類精度平均提高了5.26%、4.65%、2.11%、2.125%、4.66%,與稀疏貝葉斯學(xué)習(xí)算法(SBL)相比,平均提高0.965%,從而證明PCA-SBL算法具有更高的分類效果。

【文章頁數(shù)】：4 頁


本文編號：3830308