理財(cái)產(chǎn)品目標(biāo)客戶(hù)定位的組合預(yù)測(cè)研究——基于分類(lèi)算法與logit模型的混合模型.pdf_第1頁(yè)
已閱讀1頁(yè),還剩70頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、分類(lèi)算法的效果研究評(píng)價(jià),一直以來(lái)都是一個(gè)熱門(mén)的研究?jī)?nèi)容。在以往的研究中,我們發(fā)現(xiàn)大部分的內(nèi)容都是針對(duì)同一種分類(lèi)方法的不同算法進(jìn)行研究,很少將數(shù)據(jù)挖掘分類(lèi)方法與傳統(tǒng)的離散選擇模型結(jié)合起來(lái)用在同一問(wèn)題的研究中。因此,在本文中,我們不僅選擇了數(shù)據(jù)挖掘算法,還選擇了離散選擇模型對(duì)客戶(hù)選擇理財(cái)產(chǎn)品進(jìn)行研究,并且,在使用數(shù)據(jù)挖掘算法時(shí),選擇不同的數(shù)據(jù)挖掘分類(lèi)算法進(jìn)行對(duì)比。
  在具體的實(shí)現(xiàn)過(guò)程中,在針對(duì)客戶(hù)選擇理財(cái)產(chǎn)品這個(gè)問(wèn)題上,我們利用已有

2、的研究結(jié)果,考慮到方法的適用性以及理論的成熟性,在數(shù)據(jù)挖掘算法中選擇了決策樹(shù)分類(lèi)方法以及貝葉斯分類(lèi)方法。在決策樹(shù)分類(lèi)方法中選擇了決策樹(shù)C5.0算法;在貝葉斯分類(lèi)方法中,選擇了樸素貝葉斯分類(lèi)算法。在離散選擇計(jì)量模型中,考慮到我們的數(shù)據(jù)為二元選擇數(shù)據(jù),因而選擇了傳統(tǒng)的標(biāo)準(zhǔn)二元logit模型。我們利用可得的銀行客戶(hù)理財(cái)產(chǎn)品的選擇數(shù)據(jù),分別使用決策樹(shù)C5.0分類(lèi)算法模型、樸素貝葉斯分類(lèi)算法模型以及標(biāo)準(zhǔn)二元logit選擇模型對(duì)其進(jìn)行實(shí)證分析?;?/p>

3、三種方法的實(shí)證結(jié)果,利用組合預(yù)測(cè)理論,得到局部最優(yōu)的組合預(yù)測(cè)模型,在優(yōu)劣性的比較中,我們主要指標(biāo)為模型的預(yù)測(cè)精度。
  在單一模型的實(shí)證方面,我們利用UCI數(shù)據(jù)庫(kù)中的Bank數(shù)據(jù)集,隨機(jī)將數(shù)據(jù)集按照7∶3的比例分為訓(xùn)練集和測(cè)試集,為了剔除數(shù)據(jù)隨機(jī)性分配的影響,我們使用同一訓(xùn)練集建立模型,相同測(cè)試集測(cè)試結(jié)果后發(fā)現(xiàn),決策樹(shù)C5.0分類(lèi)算法、樸素貝葉斯算法以及二元logit模型在判別客戶(hù)理財(cái)產(chǎn)品上的精確度分別為88.43%、89.48%

4、以及87.51%。從模型分類(lèi)結(jié)果上,我們可以看出這三個(gè)單一模型的精確度均在80%以上,精度較高,其中,樸素貝葉斯模型的模型結(jié)果最優(yōu),精度高達(dá)89.48%。
  隨后,我們介紹了最小二乘加權(quán)、算術(shù)平均加權(quán)、方差倒數(shù)加權(quán)、均方倒數(shù)加權(quán)以及簡(jiǎn)單加權(quán)法這常用的五種用于模型組合的權(quán)重的計(jì)算方法。之后,以決策樹(shù)C5.0模型結(jié)果、樸素貝時(shí)斯模型結(jié)果以及二元logit模型的模型結(jié)果為基礎(chǔ),分別選擇了最小二乘加權(quán)法、算術(shù)平均加權(quán)法、方差倒數(shù)加權(quán)法、

5、均方倒數(shù)法以及簡(jiǎn)單加權(quán)法進(jìn)行權(quán)重的計(jì)算,得到了五個(gè)新的組合模型。
  最后,在得到五個(gè)組合模型后,我們發(fā)現(xiàn),在使用最小二乘加權(quán)法確定權(quán)重的模型中,二元logit模型的權(quán)重為負(fù)數(shù),不符合我們的實(shí)際情況,因此,該最小二乘加權(quán)組合模型不予采用。簡(jiǎn)單加權(quán)法的模型精度不如單一模型,結(jié)果舍去,方差倒數(shù)加權(quán)結(jié)果與均方倒數(shù)加權(quán)結(jié)果一致,在比較算術(shù)平均加權(quán)模型與方差倒數(shù)加權(quán)模型的精度后,我們發(fā)現(xiàn),算術(shù)平均加權(quán)的誤判概率為10.09%,小于方差倒數(shù)加

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論