判别分析、Logistic回归和BP神经网络在二分类问题中的模拟对比

采用随机模拟的方法,模拟出不同的样本量,不同的随机扰动方差,不同的解释变量个数的样本数据,采用判别分析、Logistic回归和BP神经网络三种方法进行判别,计算200次模拟的平均回判率。模拟发现:三种方法的效果都与解释变量呈正相关关系;随机扰动方差对判别分析、Logistic回归有一定影响,误差水平低时,Logistic回归优于判别分析,反之,Logistic回归劣于判别分析,但对BP神经网络无影响;随着样本量增大,Logistic回归与判别分析变化较小,且最终效果趋于一致,但BP神经网络的效果显著提高,超越Logistic回归与判别分析。

判别分析与Logistic回归的模拟比较

利用随机模拟方法,研究判别分析和Logistic回归分类的回判正确率。模拟结果显示,Logistic回归的回判正确率优于判别分析。随着随机误差的增大,Logistic回归与判别分析的回判正确率差异逐渐减小。随机误差超过一定界限,Logistic回归的回判正确率低于判别分析。在随机模拟的基础上,引入修正Logistic回归分类,模拟结果显示,修正Logistic回归分类略优于Logistic回归。

金翅夜蛾亚科的判别分析

对金翅夜蛾亚科的2种分类情况分别以多种变量作为分类自变量,用判别分析法建立了几个回判正确率高的判别函数,并对其进行了讨论和比较。

判别分析与Logistic回归组合分类

本文讨论判别分析与Logistic回归组合方法的二分类问题.模拟结果显示,基于判别分析的Logistic回归的第一组合法的回判正确率往往高于判别分析分类和Logistic回归分类.第二组合法是基于Logistic回归的判别分析分类,回判正确率接近于Logistic回归的分类结果.很多情况下,这两种方法的回判正确率都高于判别分析。

基于Benford律的Logistic模型及其在财务舞弊识别中的应用

Benford律能有效评估财务数据质量,Logistic模型识别舞弊公司准确率较高,两种方法已广泛应用到舞弊审计中。现提出将Benford律与Logistic模型相结合的一种舞弊识别新方法。利用Benford律筛选数据质量低的财务指标,构造标记潜在财务舞弊样本点的Benford因子,建立包含Benford因子的Logistic模型。利用中国上市公司财务数据模拟研究显示,相比于普通Logistic模型,包含Benford因子的Logistic模型往往具有更高的正确率。对于财务舞弊样本点,新模型的正确率也高于普通Logistic模型。

一种新模糊模式识别方法的构建及在储层评价预测中的应用

在深入剖析了模糊模式识别对个体识别原理的基础上,结合某气田的储层分类评价预测实际问题,文章提出了一种构造自适应多维非线性隶属函数的方法。该方法通过自适应地、逐步地提高模式回判正确率,可将模式训练到最佳状态。结合训练得到的模型和最大隶属度原则很好地解决了某气田的储层分类评价预测问题,并做出了相关的预测平面图,为气田的进一步开发提供了决策参考。