排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
2.
基于支持向量机的信用评估模型及风险评价 总被引:2,自引:0,他引:2
运用基于支持向量机理来建立一个新的个人信用评估预测模型,以期取得更好的预测分类能力.并对SVM分类结果与三层全连接BPN分类结果进行了比较.结果表明,在判别潜在的贷款申请者中支持向量的判别结果比神经网络的要好.为了减小训练集偏差及为了验证两种方法的鲁棒性,基于两种策略(平衡样本与非平衡样本)交叉验证来进一步评价SVM分类准确性,并对两种方法基于两种策略的误分类作了风险代价分析. 相似文献
3.
4.
星图S5及5个六阶图与路的笛卡儿积图的交叉数 总被引:1,自引:0,他引:1
两个图G1和G2的笛卡尔积图G1×G2是这样一个图:V(G1×G2)=V(G1)×V(G2),E(G1×G2)={(u1,u2)(v1,v2)|u1=v1,且u2、v2∈E(G2)或者u2=v2,且u1、v1∈E(G1)}.星图Sm表示完全偶图K1,m,Pn表示长为n的路.这里确定了星图S5及5个六阶图与路的笛卡儿积图的交叉数. 相似文献
5.
在笛卡尔积图交叉数结论的基础上,研究了六阶图与星图的笛卡尔积交叉数.完全确定这类图的交叉数,其结果是:cr(G1×Sn)=6(n)/(2)(n-1)/(2) 2n,n≥1. 相似文献
6.
基于支持向量机的个人信用评估模型及最优参数选择研究 总被引:15,自引:2,他引:15
运用基于支持向量机理论试图建立一个新的个人信用评估预测方法,以期取得更好的预测分类能力.为了达到这个目标及保证可靠性,研究中使用网格5-折交叉确认来寻找不同核函数的最优参数.为了进一步评价SVM分类准确性,我们在本文最后对SVM方法与线性判别分析,Logistic回归分析,最近邻,分类回归树及神经网络进行了比较,结果表明,SVM有很好的预测效果. 相似文献
1