一种F-scores和SVM结合的客户分类方法

为了克服现有客户分类方法在假设前提、准确度、泛化能力等方面的不足,提出了一种F-scores和SVM算法相结合的客户分类方法,并把该方法应用到银行信用卡客户分类问题中予以验证。实证分析表明:该方法最终的模型验证准确率可达95%以上,学习和分类能力良好。

F-Score模型下香雪制药财务风险及防范

本文以香雪制药公司为研究对象,探讨F-Score模型在财务风险预警中的应用。通过分析香雪制药公司财务状况及面临的财务风险问题,提出基于F-Score模型的财务风险预警方法,并对其在香雪制药公司的应用效果进行评估。最后,给出针对香雪制药公司未来财务风险防范的建议。

基于F-Score特征选择的癫痫脑电信号识别方法

随着癫痫脑电信号自动检测算法研究地不断深入,需要处理的特征维度也不断增加,且冗余特征增大了算法的复杂度,导致算法性能下降。为此,提出一种基于F-Score特征选择的癫痫脑电信号识别方法。首先,从原始癫痫脑电信号数据集中提取特征,并计算每个特征的F-Score统计值;然后,根据分类模型的分类准确率,通过序列前向搜索方法,选择最优特征集;最后,利用支持向量机和逻辑回归分类模型进行实验,并与传统的特征降维方法PCA进行对比。实验结果表明,本文方法可有效降低特征矩阵的维数,提高算法运算效率。

基于改进的F-score与支持向量机的特征选择方法

将传统F-score度量样本特征在两类之间的辨别能力进行推广,提出了改进的F-score,使其不但能够评价样本特征在两类之间的辨别能力,而且能够度量样本特征在多类之间的辨别能力大小。以改进的F-score作为特征选择准则,用支持向量机(SVM)评估所选特征子集的有效性,实现有效的特征选择。通过UCI机器学习数据库中六组数据集的实验测试,并与SVM、PCA+SVM方法进行比较,证明基于改进F-score与SVM的特征选择方法不仅提高了分类精度,并具有很好的泛化能力,且在训练时间上优于PCA+SVM方法。

改进F-score特征选择的MPSO-BP神经网络短期负荷预测

针对海量数据提出一种基于改进Fisher分数(F-score)特征选择的改进粒子群优化的BP(Modified Particle Swarm Optimization and Back Propagation,MPSO-BP)神经网络短期负荷预测方法。首先采用改进F-score特征评价准则计算影响负荷预测精度各个特征的F-score值,再通过F-score Area法设定阈值筛选出最优特征子集,然后将最优特征子集作为MPSO-BP神经网络模型的输入变量完成对预测日一天24点负荷的预测,并与MPSO-BP神经网络短期负荷预测和传统BP神经网络短期负荷预测进行对比。算例表明,文中提出的短期负荷预测方法可以较好地对海量数据进行挖掘,具有较高的预测精度。

基于F-score特征选择和支持向量机的P300识别算法

如何从脑电信号中快速准确地识别出P300成分是脑-机接口研究中的一个热点问题。针对P300的识别问题,我们提出了一种将F-score特征选择与支持向量机相结合的判别方法,该方法采用F-score特征选择减少输入特征的维数,以克服支持向量机算法判别速度慢的缺点;然后借助支持向量机算法良好的分类性能实现P300的识别。本文在BCI Competition 2003的P300实验数据集上对该方法进行了验证,结果表明,在5次重复实验中该方法的识别准确率达到了100%,且判别速度与未经特征选择的传统支持向量机算法相比提高了近2倍。

改进的F-score算法在语音情感识别中的应用

针对F-score特征选择算法不能揭示特征间互信息而不能有效降维这一问题,应用去相关的方法对F-score进行改进,利用德语情感语音库EMO-DB,在提取语音情感特征的基础上,根据支持向量机(SVM)的分类精度选择出分类效果最佳的特征子集。与F-score特征选择算法对比,改进后的算法实现了候选特征集较大幅度的降维,选择出了有效的特征子集,同时得到了较理想的语音情感识别效果。

F-score结合核极限学习机的集成特征选择算法

特征选择是高维小样本癌症基因数据分析的首要和关键步骤,但是现有特征选择算法存在特征子集依赖于训练样本且随训练样本不同而变化的问题。为了解决特征选择过程的特征子集不稳定问题,提出一种基于核极限学习机的集成特征选择方法,利用5-折交叉验证划分原始数据,对各训练集继续采用5-折交叉验证进行划分并进行特征选择,以所得5个特征子集之并集作为该训练集的特征子集,构造核极限学习机评价该特征子集的分类性能,以原始数据集5-折交叉验证所得特征子集的平均Jaccard系数评价特征选择算法所选特征子集的稳定性。5个基因数据集的实验测试以及与经典特征选择算法SVM-RFE、LLE Score、ARCO、DRJMIM、Random Forest和mRMR的实验比较表明,本文算法不仅能选择到稳定的特征子集,且所选特征子集具有很好的泛化能力。

涂料企业的财务风险研究——以三棵树为例

目前,我国涂料行业正在持续恢复向好,市场呈现稳健增长趋势,此时企业应当抓住发展机遇。在经济全球化的今天,企业发展过程中不可避免地会遇到财务风险,防范财务风险是保证企业向优发展的关键,文章以三棵树涂料股份有限公司为例,选取2018年至2022年相关的财务指标,从营运能力、偿债能力、盈利能力以及成长能力分析其经营现状。并引入Z-Score与F-Score两种财务风险模型对其财务风险进行识别和判断。在Z-Score模型下,三棵树公司的指标值均表示公司具有很大风险性,有可能导致公司破产;而在F-Score模型中,结果略微不同,指标值显示2018-2020年公司的财务风险较低,2021-2022年财务风险较大。Z-Score模型与F-Score模型在财务风险评价方面各有其优缺点,因此建议三棵树在评价公司财务风险时,可以把这两种模型相结合,并根据企业实际情况构建科学的财务风险预警模型来预测财务风险。

基于F-Score模型的大学生创业财务风险控制研究

财务风险失控及由此引发的经营失败,成为制约大学生创业可持续发展的重要因素。为此,以F-Score模型作为风险识别工具,对苏州健雄学院2020年度创业样本进行了实证分析。研究发现:大学生创业财务安全和失败,在反映运营能力的指标上具有显著差异;F-Score模型在预测大学生创业财务风险方面,具有较高的可靠性,可作为风险识别和预警工具。

基于F-score的大数据公共空间模式选择方法

公共空间模式(CSP)分析由于具有变换简单、实现快速等优点,被广泛应用于信息挖掘、脑电信号处理等大数据处理应用中。本文以基于脑电信号的人类认知状态分类识别为背景,研究一种基于Fisher分数(Fscore)的特征评价与选择的CSP构建方法。利用F-score计算代价小、可以快速从高维数据中选择出有效信息和特征的优点,实现了对模式重要程度做出定量的表达;针对F-score阈值确定困难、信息冗余、无法自适应实现等难点问题,提出了相应的解决方法。所提出方法在脑认知活动解析实验中,针对五类认知状态分类问题取得了92%的识别准确率。本方法为大数据的公共模式挖掘等问题供了一个强有力的新工具。

一种基于F-Score的特征选择方法

原始数据中的冗余特征和不相关特征会使得构建的学习模型复杂度提高,并对模型的性能有负面的影响.对此,提出一种基于Filter和Wrapper特征选择方法的两阶段式特征选择方法.首先以原始数据中特征的F-Score统计值为先验知识,然后结合序列前向搜索策略搜索优化的特征子集,搜索过程中依据分类算法的性能评价所选择的特征组合.采用十折交叉验证进行测试,并分别采用SVM、Logistic Regression、Adaboost分类模型进行对比实验,结果表明,算法能够有效地降低特征维数,并进一步提升算法的性能.

基于深度神经网络的电力负荷预测方法研究

电力负荷预测的准确性对于电力系统的安全经济运行具有重要的意义,但负荷的强随机性和气象相关性给负荷的预测带来了很大的困难。针对传统负荷预测方法存在效果不理想的问题,文章提出了基于改进深度神经网络的负荷预测方法。首先利用F-score特征评价准则选择出合适有效的特征量,再利用深度神经网络建立特征量与负荷之间的非线性映射预测模型。通过电力负荷预测实例的对比分析,结果表明本文方法在电力负荷预测中具有很好的预测精度和时效性。本文研究成果可为电力负荷的预测提供有效的技术参考和指导。

基于电流信号特征的弓网电弧识别方法

弓网电弧已成为电力机车安全运行的隐患,及时识别弓网电弧对于评价受流质量、调控弓网电弧、指导线路检修具有重要意义。该文开展了不同条件的弓网系统受流特性实验,将系统受流分为正常受流和电弧受流两种状态。提出一种基于回路电流和支持向量机(SVM)的弓网电弧在线识别方法及其工程实现方案。采用改进的F-score算法选择回路电流的平均值、标准差和相关系数作为弓网电弧的典型特征,利用svmtrain函数创建SVM模型,利用网格搜索算法优化SVM的径向基核函数。实验表明,该方法能够有效识别弓网电弧。接触压力、滑动速度和接触电流以及燃弧时间、电流采样频率均会影响弓网电弧的识别准确率。燃弧时间对识别准确率的影响较大,相同条件下燃弧时间越长,识别准确率越高。

基于D-score与支持向量机的混合特征选择方法

F-score作为特征评价准则时,没有考虑不同特征的不同测量量纲对特征重要性的影响。为此,提出一种新的特征评价准则D-score,该准则不仅可以衡量样本特征在两类或多类之间的辨别能力,而且不受特征测量量纲对特征重要性的影响。以D-score为特征重要性评价准则,结合前向顺序搜索、前向顺序浮动搜索以及后向浮动搜索三种特征搜索策略,以支持向量机分类正确率评价特征子集的分类性能得到三种混合的特征选择方法。这些特征选择方法结合了Filter方法和Wrapper方法的各自优势实现特征选择。对UCI机器学习数据库中9个标准数据集的实验测试,以及与基于改进F-score与支持向量机的混合特征选择方法的实验比较,表明D-score特征评价准则是一种有效的样本特征重要性,也即特征辨别能力衡量准则。基于该准则与支持向量机的混合特征选择方法实现了有效的特征选择,在保持数据集辨识能力不变情况下实现了维数压缩。

一种新特征评价方法在红斑鳞状皮肤病诊断中的应用

针对改进F-score特征评价准则没有考虑特征测量量纲对特征重要性的影响,提出一种新的特征重要性评价准则D-score,避免不同特征测量量纲的影响,衡量样本特征在两类或多类之间的辨别能力。将D-score分别与前向顺序搜索、前向顺序浮动搜索两种搜索策略结合,以支持向量机的分类准确率评估所选特征子集的有效性,结合Filter和Wrapper特征选择方法的优势进行特征选择,得到两种混合特征选择方法。将该方法应用于红斑鳞状皮肤病诊断研究,并与基于改进F-score的混合特征选择方法进行了实验对比。十折交叉验证实验结果显示:在红斑鳞状皮肤病诊断研究中,D-score特征评价准则优于改进的F-score准则,基于D-score和前向顺序搜索策略的诊断准确率提高1.11%;D-score结合前向顺序浮动搜索策略的最低诊断准确率提高约3个百分点,平均诊断准确率提高约0.3个百分点,最高诊断准确率达到100%。前向顺序浮动搜索中,D-score准则选择的共有特征是改进F-score准则所选择共有特征的子集。所提出的D-score特征重要性评价准则是一种有效的特征区分能力度量准则,在红斑鳞状皮肤病的诊断中选择出了更有分类意义的特征,提高了诊断准确性。

融合单类F-score和遗传算法的微生物特征选择方法

微生物数据由于其维度高和类别不平衡特点,在传统机器学习分类算法中不能得到理想的分类效果。传统特征选择算法可以达到降维的效果,但对于类别不平衡问题显得有点力不从心。因此,文中提出了一种融合单类F-score和遗传算法的特征选择方法。首先,利用单类F-score操作生成遗传操作中的初始种群;其次,利用SVM分类模型的AUC值作为遗传操作中个体的适应度值;再次,结合遗传操作来更新种群;最终,得到最优特征子集。实验在五个微生物数据集上进行,与四种特征选择算法进行对比,结果表明,文中所提方法在一定程度上优于其他方法。

基于多特征优化算法的丁酰化修饰位点计算分类

赖氨酸丁酰化是一种新型酰化修饰,修饰位点的确定对相关疾病机理研究具有重要意义.计算分类方法由于其速度快、花费低、准确率高等优点为修饰位点的确定提供了一种新思路.本文以丁酰化修饰实验数据为研究对象,利用信息增益、F-Score和最小冗余最大相关三种特征优化算法,结合支持向量机算法进行特征提取和融合,建立了速度快、准确率高的丁酰化修饰最优计算分类模型.

脑电信号特征的归一化方式与选择方法研究

针对多被试脑电数据存在被试间特征值差异较大的问题,分析了单次归一化的数据范围对分类准确率的影响。实验在情感数据集上采用6种常用的归一化方法,对所有被试的特征、单个被试的所有特征、单个被试的单个属性特征这三种单次归一化的数据范围进行准确率上的比较,证明了单个被试的单个属性特征更适于作为多被试脑电数据单次归一化数据范围。此外,提出方差贡献率与F-score结合的特征选择方法,在不降低准确率的情况下大量减少了特征数量。小波包树结点能量作为变换最少的特征得到的分类结果最好,小波包熵比脑电节律小波熵的分类准确率高。

情绪相关脑电信号的特征选取与导联优化

目的探究与情绪密切相关的脑电特征,并藉此优化最少导联集合。方法 30名被试观看四类典型情绪图片(轻松、沮丧、愉悦、恐惧)并记录脑电信号。Fisher分数(Fscore)算法筛选每导联脑电特征,使用支持向量机方法(SVM)分类四种情绪。结果 24名被试情绪诱发有效,四个特征组合(β频带、γ频带、信息熵、微分熵)的F-score均值作为情绪有效性评价指标,筛选出分类准确率高达81.15%的5个导联(FT7、T7、FC4、TP10、O1)。结论利用校正后的F-score算法首次筛选出脑电信号的特征组合,获得与情绪密切相关的最优导联集合,极大地降低了运算时间,该结果对实现情绪的快速识别有重要价值。