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
- 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
- 基于客戶(hù)屬性的銀行理財(cái)產(chǎn)品組合研究.pdf
- 基于跳擴(kuò)散模型的外匯理財(cái)產(chǎn)品定價(jià).pdf
- 信托理財(cái)產(chǎn)品與各類(lèi)理財(cái)產(chǎn)品的比較
- 基于結(jié)構(gòu)方程模型的理財(cái)產(chǎn)品投資影響因素分析.pdf
- 基于B-S模型的匯率掛鉤理財(cái)產(chǎn)品定價(jià)研究.pdf
- 基于投資組合理論的銀行理財(cái)產(chǎn)品的研究.pdf
- 我國(guó)商業(yè)銀行理財(cái)產(chǎn)品營(yíng)銷(xiāo)策略研究——兼論理財(cái)產(chǎn)品的客戶(hù)細(xì)分.pdf
- 銀行理財(cái)產(chǎn)品收益率曲線模型對(duì)比研究.pdf
- 結(jié)構(gòu)性理財(cái)產(chǎn)品的風(fēng)險(xiǎn)評(píng)估研究——基于模糊綜合評(píng)價(jià)模型.pdf
- 37439.基于garchevtvar模型的互聯(lián)網(wǎng)理財(cái)產(chǎn)品市場(chǎng)風(fēng)險(xiǎn)的研究
- [教育]銀行理財(cái)產(chǎn)品分類(lèi)及介紹
- 我國(guó)商業(yè)銀行發(fā)行理財(cái)產(chǎn)品的動(dòng)機(jī)研究——基于理財(cái)產(chǎn)品收益的分析.pdf
- 連續(xù)型隨機(jī)金融模型與結(jié)構(gòu)性理財(cái)產(chǎn)品的應(yīng)用.pdf
- 跳擴(kuò)散模型下券商集合理財(cái)產(chǎn)品定價(jià).pdf
- 銀行理財(cái)產(chǎn)品收益率影響因素研究:基于結(jié)構(gòu)方程模型.pdf
- 若干基于Libor及Shibor理財(cái)產(chǎn)品的數(shù)學(xué)模型及定價(jià)分析.pdf
- 理財(cái)產(chǎn)品風(fēng)險(xiǎn)評(píng)級(jí)及客戶(hù)評(píng)估模板
- 基于匯率的外匯理財(cái)產(chǎn)品定價(jià)研究.pdf
- 銀行理財(cái)產(chǎn)品有那幾種分類(lèi)方式
評(píng)論
0/150
提交評(píng)論