科研之友
微信
新浪微博
Facebook
分享链接
摘要
支持向量机是近些年兴起的人工智能方法,并在信用风险分析领域得到了广泛应用.为了有效地减小在实证研究中样本的奇异点和噪声对模型的干扰,在近似支持向量机的基础上,引入模糊隶属度的思想,提出了模糊近似支持向量机,使之不仅能保留近似支持向量机原有的优点,同时也可以减小奇异点和噪声对模型的干扰,从而进一步提高了分类判别能力.为验证模糊近似支持向量机的效果,利用两个公开的信用数据集进行实证研究.实证研究结果表明:与其它模型相比,所提出的模糊近似支持向量机能够显著地提高信用风险分类精度,具有较高的实用价值.
- 出版日期2012
- 单位杭州师范大学; 中国科学院数学与系统科学研究院; 北京化工大学
