基于主成分的稀疏贝叶斯信用分类研究

发布时间：2023-06-04 00:11

　　针对传统信用评价方法分类精度较低、数据集属性变量间存在相关性等问题,提出基于主成分分析的稀疏贝叶斯学习(PCA-SBL)算法。首先对数据集特征变量进行主成分分析,使降维后的变量无相关性;其次,对主成分分析后的数据进行稀疏贝叶斯分类;最后将PCA-SBL分类方法分类精度与传统分类方法精度进行比较。分析发现,在German Credit Data和Australian Credit Data上,与传统KNN、朴素贝叶斯、SVM、随机森林、决策树相比,改进的SBL算法分类精度平均提高了5.26%、4.65%、2.11%、2.125%、4.66%,与稀疏贝叶斯学习算法(SBL)相比,平均提高0.965%,从而证明PCA-SBL算法具有更高的分类效果。

【文章页数】：4 页


本文编号：3830308