基于Adaboost集成学习方法在银行营销中的应用
发布时间：2021-09-07 21:49
随着经济的快速发展,金融市场也在不断的创新与变革。在机器学习、人工智能快速发展的今天,商业银行经销也要跟上时代的脚步,应用机器学习、人工智能知识不断创新与改革,挖掘潜在客户和客户的潜在价值。本文基于商业银行产品营销数据利用Adaboost集成学习算法结合SVM和PCA算法构建Adaboost SVM算法并实现应用。在模型评价方面采用多指标评价,并且与经典机器学习分类算法:SVM、决策树及集成算法、随机森林、xgboost、GBDT和简单神经网络进行对比。发现Adaboost SVM模型,较之以上模型有更高的准确率。虽然数据存在样本不平衡问题,但是Adaboost SVM模型同样取得了很好的拟合度,并且不存在过拟合或欠拟合问题。
【文章来源】：湘潭大学湖南省
【文章页数】：38 页
【学位级别】：硕士
【部分图文】：
SVM分类图
7图2-2软间隔线性可分支持向量距离这样将式(2.6)转换为：(+)≥1，(2.16)此时目标函数为min,,12||||2+∑=1，(2.17)其中为惩罚因子函数。通过拉格朗日乘数因子函数，构造拉格朗日函数，并通过对其求偏导数得到目标函数min12∑∑=1=1()∑=1(2.18)使得∑=1=0，其中0≤≤,=1,2.2.1.5核函数支持向量机现实生活中，很多样本数据是线性不可分的，针对这类问题，支持向量机的解决方法是引入核函数，将其映射到高纬度空间中，使其在高纬度空间线性可分，这里引用空间变换,如图2-3所示。
8图2-3线性不可分问题图从图2-3左边图可看到，该样本点线性不可分，式(2.13)中的的內积通过空间变换()()映射到高纬度空间中，使其线性可分，如图2-3右边图所示。然后通过核函数(,)=()()，得到目标函数min12∑∑=1=1()∑=1(2.19)使得∑=1=0，其中≥0,=1,2.从而得到最优超平面函数模型()=∑∑=1=1()+.(2.20)2.1.6软间隔核函数实际应用中，我们很难将样本数据映射到一个线性可分的高纬度空间中，为此同样需要考虑对样本点添加松弛变量，并进行空间变换，此时的目标函数与线性软间隔函数类似，为min,,12||||2+∑=1，(2.21)使得(()+)≥1，其中≥0，=1,2,3.然后通过核函数(,)=()()=()()，并依据对偶性原则转化核函数类型为min12∑∑()()=1∑=1=1(2.22)使得∑=1=0，其中0≤≤,=1,2.进而可以推出
【参考文献】：
期刊论文
[1]基于核主成分分析BP＿Ada Boost算法的数控铣床故障诊断[J]. 朱翔,谢峰. 机械强度. 2019(06)
[2]大数据背景下商业银行的经营与营销策略研究[J]. 于大勇. 纳税. 2019(11)
[3]机器学习分类问题及算法研究综述[J]. 杨剑锋,乔佩蕊,李永梅,王宁. 统计与决策. 2019(06)
[4]机器学习的发展史及应用前景[J]. 詹骐源. 科技传播. 2018(21)
[5]决策树几种分类算法的分析比较[J]. 徐梦茹,王学明. 电脑知识与技术. 2018(20)
[6]基于决策树分类算法的遥感影像土地利用分类[J]. 彭中,阿如旱,范田芳. 阴山学刊(自然科学版). 2018(02)
[7]一种基于Boosting的集成学习算法在银行个人信用评级中的应用[J]. 陈力,黄艳莹,游德创. 价值工程. 2017(18)
[8]机器学习法在信贷风险预测识别中的应用[J]. 孙存一,王彩霞. 中国物价. 2015(12)
[9]PCA算法和数学形态学理论在踝臂指数测量中的应用[J]. 户鹏飞,迟鹤翔,刘宝华. 传感器与微系统. 2013(07)
[10]基于AdaBoost-SVM级联分类器的行人检测[J]. 降爱莲,杨兴彤. 计算机工程与设计. 2013(07)
硕士论文
[1]基于AdaBoostSVM组合算法的研究及其应用[D]. 周昕.南昌大学 2019
[2]一种基于Boosting算法的新模型在银行信用评级中的应用[D]. 翟璐.北京交通大学 2016
[3]基于多源数据的选址模型及其应用研究[D]. 张悦涵.电子科技大学 2015
[4]基于主成分分析的人脸识别算法研究[D]. 张岩.曲阜师范大学 2010
[5]分类回归树及其在个人信用评估中的应用[D]. 陈燕燕.中南大学 2007
本文编号：3390303
【文章来源】：湘潭大学湖南省
【文章页数】：38 页
【学位级别】：硕士
【部分图文】：
SVM分类图
7图2-2软间隔线性可分支持向量距离这样将式(2.6)转换为：(+)≥1，(2.16)此时目标函数为min,,12||||2+∑=1，(2.17)其中为惩罚因子函数。通过拉格朗日乘数因子函数，构造拉格朗日函数，并通过对其求偏导数得到目标函数min12∑∑=1=1()∑=1(2.18)使得∑=1=0，其中0≤≤,=1,2.2.1.5核函数支持向量机现实生活中，很多样本数据是线性不可分的，针对这类问题，支持向量机的解决方法是引入核函数，将其映射到高纬度空间中，使其在高纬度空间线性可分，这里引用空间变换,如图2-3所示。
8图2-3线性不可分问题图从图2-3左边图可看到，该样本点线性不可分，式(2.13)中的的內积通过空间变换()()映射到高纬度空间中，使其线性可分，如图2-3右边图所示。然后通过核函数(,)=()()，得到目标函数min12∑∑=1=1()∑=1(2.19)使得∑=1=0，其中≥0,=1,2.从而得到最优超平面函数模型()=∑∑=1=1()+.(2.20)2.1.6软间隔核函数实际应用中，我们很难将样本数据映射到一个线性可分的高纬度空间中，为此同样需要考虑对样本点添加松弛变量，并进行空间变换，此时的目标函数与线性软间隔函数类似，为min,,12||||2+∑=1，(2.21)使得(()+)≥1，其中≥0，=1,2,3.然后通过核函数(,)=()()=()()，并依据对偶性原则转化核函数类型为min12∑∑()()=1∑=1=1(2.22)使得∑=1=0，其中0≤≤,=1,2.进而可以推出
【参考文献】：
期刊论文
[1]基于核主成分分析BP＿Ada Boost算法的数控铣床故障诊断[J]. 朱翔,谢峰. 机械强度. 2019(06)
[2]大数据背景下商业银行的经营与营销策略研究[J]. 于大勇. 纳税. 2019(11)
[3]机器学习分类问题及算法研究综述[J]. 杨剑锋,乔佩蕊,李永梅,王宁. 统计与决策. 2019(06)
[4]机器学习的发展史及应用前景[J]. 詹骐源. 科技传播. 2018(21)
[5]决策树几种分类算法的分析比较[J]. 徐梦茹,王学明. 电脑知识与技术. 2018(20)
[6]基于决策树分类算法的遥感影像土地利用分类[J]. 彭中,阿如旱,范田芳. 阴山学刊(自然科学版). 2018(02)
[7]一种基于Boosting的集成学习算法在银行个人信用评级中的应用[J]. 陈力,黄艳莹,游德创. 价值工程. 2017(18)
[8]机器学习法在信贷风险预测识别中的应用[J]. 孙存一,王彩霞. 中国物价. 2015(12)
[9]PCA算法和数学形态学理论在踝臂指数测量中的应用[J]. 户鹏飞,迟鹤翔,刘宝华. 传感器与微系统. 2013(07)
[10]基于AdaBoost-SVM级联分类器的行人检测[J]. 降爱莲,杨兴彤. 计算机工程与设计. 2013(07)
硕士论文
[1]基于AdaBoostSVM组合算法的研究及其应用[D]. 周昕.南昌大学 2019
[2]一种基于Boosting算法的新模型在银行信用评级中的应用[D]. 翟璐.北京交通大学 2016
[3]基于多源数据的选址模型及其应用研究[D]. 张悦涵.电子科技大学 2015
[4]基于主成分分析的人脸识别算法研究[D]. 张岩.曲阜师范大学 2010
[5]分类回归树及其在个人信用评估中的应用[D]. 陈燕燕.中南大学 2007
本文编号：3390303
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3390303.html
