RU-SMOTE-SVM利润操作识别模型构建
发布时间：2022-02-05 07:20
融合SVM智能技术与RU-SMOTE不平衡样本处理方法两者之所长,文章构建出RU-SMO TE-SVM模型。该模型的运作机理为:通过SMOTE人工合成新的样本,以RU方式消除部分样本中的噪声及冗余信息,充分借助SVM寻找全局最优解的能力。基于该模型,文章构建效率性指标体系,模型在上市公司利润操作识别中的应用为对象进行具体研究,对比不同的识别性能结果,结果显示RU-SMOTE-SVM模型对上市公司利润操作行为的识别具有较强的适用性和很高的使用价值。
【文章来源】：财会通讯. 2020,(22)北大核心
【文章页数】：4 页
【部分图文】：
表2中，RBF为径向基函数，也简称为高斯函数，用输入模式与中心向量的距离作为函数的自变量，具有“局图2RU-SMOTE-SVM模型在不同核函数下的上市公司利润操作识别结果
真”的错误，拒绝了正确的、实际上成立的假设，基于样本统计量推断其结论并非绝对正确，也可能存在错误；二类错误与第一类错误相对，是进行假设检验时原假设不正确而接受原假设的错误。由图2、表2可知，RBF核函数下的模型具有最低值，从准确率方面分析则RBF核函数下的模型具有最高值。所以，与其他核函数下的模型相比，基于RBF构建的RU-SMOTE-SVM模型性能更为优异，能够对上市公司的利润操作行为进行有效识别。同时，本文进一步将RU-SMOTE-SVM模型与传统的SVM、SMOTE-SVM、RU-SVM模型进行性能结果的对比，具体如表3、图3所示，再次验证RBF核函数下RU-SMOTE-SVM模型对上市公司利润操作行为具有良好的识别性能。由图3、表3可知，SMOTE-SVM、RU-SVM及RU-SMOTE-SVM模型中均引入了不平衡样本处理方法，与单独的SVM方法相比具有更高的预测效率，对SVM自身存在的不平衡样本问题予以有效解决，出现的一类和二类错误较低。RU方式采取的是随机采样，存在大量的噪声样本，严重影响识别性能。而RU-SMOTE-SVM模型通过SMOTE人工合成新的样本，通过RU方式将部分样本中的噪声及冗余信息消除，并充分借助了SVM寻找全局最优解的能力，避免了简单复制样本造成的数据无效问题。四、结论本文在上市公司利润操作识别模型构建过程中引入了SVM智能技术，其中融入RU-SMOTE不平衡样本处理方法进行传统识别模型的优化，形成改进版的RU-SMOTE-SVM模型，有效克服不平衡样本问题。同时，上市公司的利润操作行为具有较强的隐蔽性，传统的性能评估指标无法满足模型需求。所以，本文引入了效率指标，提高了模型的识别精度，并对模型的识别性能及识别结果的有效性进行验证，结果表明RBF核函数条件下构建的模型识别性能最优，即一类、二类错误最低，对上市公司利?
疲?咛逦??（1）对两种合集所包含样本的数量差异进行计算，即|Sp|-|SNon-p|=|R|，将|R|/2个位发生利润操作行为的样本从中随机剔除，获得新的未发生利润操作行为的样本集合SNewNon-p。（2）对SNon-p中各样本点中最近邻的发生利润操作行为的样本进行计算。同时，在原样点的基础上，加上用［0，1］之间的随机乘数与原样点和随机选择邻点之间的差值的乘积，公式表示为XNew=XSNon-p+（XSNon-p-XSNon-p）*啄。在人工合成的新样本数量达到|R|/2之前，与RU-SMOTE不平衡样本处理方图1SMOTE方法的样例合成李增欣蒲凌:RU-SMOTE-SVM利润操作识别模型构建116
【参考文献】：
期刊论文
[1]基于混合采样的非平衡数据分类算法[J]. 吴艺凡,梁吉业,王俊红. 计算机科学与探索. 2019(02)
[2]基于聚类欠采样的集成不均衡数据分类算法[J]. 武森,刘露,卢丹. 工程科学学报. 2017(08)
本文编号：3614813
【文章来源】：财会通讯. 2020,(22)北大核心
【文章页数】：4 页
【部分图文】：
表2中，RBF为径向基函数，也简称为高斯函数，用输入模式与中心向量的距离作为函数的自变量，具有“局图2RU-SMOTE-SVM模型在不同核函数下的上市公司利润操作识别结果
真”的错误，拒绝了正确的、实际上成立的假设，基于样本统计量推断其结论并非绝对正确，也可能存在错误；二类错误与第一类错误相对，是进行假设检验时原假设不正确而接受原假设的错误。由图2、表2可知，RBF核函数下的模型具有最低值，从准确率方面分析则RBF核函数下的模型具有最高值。所以，与其他核函数下的模型相比，基于RBF构建的RU-SMOTE-SVM模型性能更为优异，能够对上市公司的利润操作行为进行有效识别。同时，本文进一步将RU-SMOTE-SVM模型与传统的SVM、SMOTE-SVM、RU-SVM模型进行性能结果的对比，具体如表3、图3所示，再次验证RBF核函数下RU-SMOTE-SVM模型对上市公司利润操作行为具有良好的识别性能。由图3、表3可知，SMOTE-SVM、RU-SVM及RU-SMOTE-SVM模型中均引入了不平衡样本处理方法，与单独的SVM方法相比具有更高的预测效率，对SVM自身存在的不平衡样本问题予以有效解决，出现的一类和二类错误较低。RU方式采取的是随机采样，存在大量的噪声样本，严重影响识别性能。而RU-SMOTE-SVM模型通过SMOTE人工合成新的样本，通过RU方式将部分样本中的噪声及冗余信息消除，并充分借助了SVM寻找全局最优解的能力，避免了简单复制样本造成的数据无效问题。四、结论本文在上市公司利润操作识别模型构建过程中引入了SVM智能技术，其中融入RU-SMOTE不平衡样本处理方法进行传统识别模型的优化，形成改进版的RU-SMOTE-SVM模型，有效克服不平衡样本问题。同时，上市公司的利润操作行为具有较强的隐蔽性，传统的性能评估指标无法满足模型需求。所以，本文引入了效率指标，提高了模型的识别精度，并对模型的识别性能及识别结果的有效性进行验证，结果表明RBF核函数条件下构建的模型识别性能最优，即一类、二类错误最低，对上市公司利?
疲?咛逦??（1）对两种合集所包含样本的数量差异进行计算，即|Sp|-|SNon-p|=|R|，将|R|/2个位发生利润操作行为的样本从中随机剔除，获得新的未发生利润操作行为的样本集合SNewNon-p。（2）对SNon-p中各样本点中最近邻的发生利润操作行为的样本进行计算。同时，在原样点的基础上，加上用［0，1］之间的随机乘数与原样点和随机选择邻点之间的差值的乘积，公式表示为XNew=XSNon-p+（XSNon-p-XSNon-p）*啄。在人工合成的新样本数量达到|R|/2之前，与RU-SMOTE不平衡样本处理方图1SMOTE方法的样例合成李增欣蒲凌:RU-SMOTE-SVM利润操作识别模型构建116
【参考文献】：
期刊论文
[1]基于混合采样的非平衡数据分类算法[J]. 吴艺凡,梁吉业,王俊红. 计算机科学与探索. 2019(02)
[2]基于聚类欠采样的集成不均衡数据分类算法[J]. 武森,刘露,卢丹. 工程科学学报. 2017(08)
本文编号：3614813
本文链接：https://www.wllwen.com/jingjilunwen/touziyanjiulunwen/3614813.html
