組合分類器及其在公司財務困境預測中的應用.pdf

1、數據挖掘是計算機科學和統計科學的一個交叉領域，是統計中大樣本的數據處理在計算機平臺上的實現過程，包括人工智能、計算機學習、統計方法和數據庫系統[1]?？傮w而言，數據挖掘的目的在于如何從數據集中提取到有用的信息，并將其轉化為可以理解的形式以便于將來進一步的研究，比如預測。數據挖掘如今已經成為大樣本數據處理的代名詞，它同時也形成了一套系統的計算機實現系統。統計理論為數據挖掘提供了研究的方向，計算機算法為數據挖掘提供了實驗的平臺。因此，本文將

2、計算機的算法優(yōu)化運用到傳統統計的分類方法當中，以求在一個新的領域，將統計的理論在環(huán)境模擬中實現開來。
　　 此外，在有關財務、醫(yī)療、社會問題等領域的一些重要事件上，比如公司財務困境的預測，我們通常需要尋求兩種以上的專家觀點以助于做出決定。仔細權衡每一種觀點，并通過一些特定的方法結合眾多觀點，以做出最終的、可能是最明智的決定。這種多重考慮不同“專家觀點”的方法就是組合方法。在自動化決策等多個應用領域，普遍認為基于組合系統的決策方法

3、能比單個分類器產生更加優(yōu)化的效果。
　　 因此，如何將統計中的組合分類方法在計算機平臺上實現出來，這就是本文著重論述的內容。文章結構脈絡如下:
　　 本文首先對于國內外組合分類方法的研究成果進行綜述，了解眾多學者對于機器分類法的研究過程，并重點討論如何設計和實現這一組合過程，尤其是各個基分類器的計算機實現算法和組合方法算法。討論了廣泛應用的組合學習過程，比如Bagging、boosting、Adaboost，以及常用的組

4、合原則，比如投票機制。然后，本文通過在公司財務困境預測中的實證研究，探索不同種類的基分類器，如決策樹法、支持向量機法、最近鄰及其組合方法的預測效果，并對其進行對比分析。實驗過程重點采用以自適應動態(tài)權重調整法為基礎的Adaboost組合方法，以及五折交叉驗證法用來防止模型的過度擬合。
　　 本文創(chuàng)新性的將不同種類的分類器進行組合，加大基分類器的差異性，預測率得到進一步的提高。最后進行實驗結果的研究總結，并對未來的研究方向給予展望。