10.3969/j.issn.1672-9722.2015.12.024
基于 KLCCF 和 SPG-GMKL 的财务危机预警模型磁
财务危机预警至今仍是数据挖掘领域的研究热点,为了有效解决异构高维财务数据的挖掘,论文提出一种新的财务数据预测模型。此模型是在核局部一致的概念分解(KLCCF)的降维基础上构建广义多核学习(GMKL )分类模型。该模型很好地解决了复杂、高维、非线性的财务数据的分类问题,进而用于准确地预测财务困境。首先,核局部一致的概念分解较好地将高维非线性流形数据进行降维,得到有效的特征集,充分地展现数据流本质的几何结构。其次,谱投影梯度法(SPG)在步长设置上考虑二次信息,采用非单调步长选择准则减少评估函数的次数,它对梯度噪音具有较好的鲁棒性,进一步优化广义多核学习(GMKL)模型。最后,实验显示基于 KLCCF 的 SPG‐GMKL 分类模型优于 SVM 分类器,具有较高的分类准确性,有效地解决了高维异构财务数据的分类问题。
数据挖掘、广义多核学习、局部一致概念分解、流形学习、财务预警
TP391(计算技术、计算机技术)
福建省教育厅 B 类科技项目编号JB14112资助。
2016-03-14(万方平台首次上网日期,不代表论文的发表时间)
共7页
2209-2214,2242