基于Isomap融合朴素贝叶斯分类器的信用预测

因为金融数据存在海量、高维度、非线性的特点,所以如何选择原始数据中的本质特征关系到分类器的精度。本文提出了一种基于Isomap算法的朴素贝叶斯分类器。该算法的核心本质是对高维大样本的金融数据运用Isomap算法进行降维处理,进而在此基础上运用朴素贝叶斯分类算法进行分类。选取1069家公司的财务指标数据进行实证分析,结果证明该分类器的预测准确率优于朴素贝叶斯分类器。