基于改进随机森林算法的上市公司信用风险实证分析

近年来随着金融市场的不断发展,贷前识别风险企业、有效进行信贷风险控制越来越重要。本文主要研究企业信用风险评估的问题,通过合理的模型选择及模型优化,提升模型识别问题企业的能力。本文首先基于实际情况选择了合理的模型评估指标体系,通过优化后的随机森林算法,将特征选取与模型训练过程相结合,利用该模型以我国上市公司数据为例,进行了实证检验,并横向对比常见评估模型的数据表现,实验结果表明模型有较好的预测效果。

多源遥感数据和随机森林模型驱动的人口空间化研究——以南京为例

传统人口数据调查依赖人工统计,时间周期长,空间分辨率较低.因此,充分挖掘多源遥感数据提供的互补信息,研究机器学习模型驱动的人口精细空间化研究具有重要意义.采用特征递归消除法对不同特征组合进行分析,筛选出兴趣点数据、土地利用数据面积占比、欧氏距离处理后土地利用数据、夜间灯光DN值和道路网密度值组合特征,借助随机森林模型进行人口空间化.结果表明,提出的人口空间化模型在街道尺度上的平均绝对误差为5338,均方根误差为10362,高于GPW、中国公里格网人口数据集精度,而与WorldPop和GHSL数据集精度相当,验证了多源遥感数据和机器学习模型驱动人口空间化研究的可行性.