非平衡样本集下公私合作(PPP)可融资性评价——基于改进边界样本自适应算法

可融资性难问题持续制约PPP健康发展,社会资本往往从项目本身和地方政府两个维度评价项目的可融资性。通过综合比较主流样本合成算法在合成样本的精细度以及分类器算法对非平衡样本集少数类样本的识别能力,针对我国财政部政府和社会资本合作中心库中PPP案例样本数据存在非平衡性及高噪声异质性问题,提出Borderline-SMOTE Bagging算法,按照不同领域对其中4组项目进行可融资性评价。结果表明:基于数据挖掘算法对PPP可融资性进行评价具备可行性;Borderline-SMOTE Bagging算法具备良好的样本分类能力和优秀的泛化能力,能有效降低因合成样本形成的噪音所带来的负面影响,且具备良好的少数类样本识别能力。最后结合实证过程遇到的问题,对未来PPP数据化发展,提出政府部门应增强PPP项目数据收集能力并逐步实现数据开放共享,借助大数据技术提升PPP项目管理效率和精准度等建议。

一种非平衡样本集的PPP可落地性评价算法研究

“落地难”问题已经成为中国PPP模式可持续、健康发展过程中亟待解决的重大问题。通过深入剖析PPP“落地难”形成机理,从政府和项目两个维度分析PPP可落地性评价特征。针对传统分类器识别非平衡样本集的缺陷,通过人工合成数据,并引入集成学习算法,构建SMOTE-Bagging算法进行模型训练,解决PPP可落地性评价中样本数据非平衡性及高噪声异质性。研究结果表明,针对非平衡样本集,SMOTE-Bagging在准确率、召回率、G-均值、F值等方面表现最优,分别达到90.91%、88.89%、83.15%和0.898;SMOTE-Bagging算法有效识别少数类样本的能力突出,可有效解决PPP可落地性评价中的现实问题。

针对非平衡多分类问题SVM算法的优化研究与应用

该文针对非平衡数据多分类算法进行研究,传统的分类器在处理非平衡数据多分类时往往直接将二分类问题的算法直接扩展到多分类问题上,忽视数据之间的关系,本文主要基于数据关系对SVM算法改进研究,提出一种基于空间扩展的SVM算法,优化分类器组,提高少类样本数据分类精度。最后通过数据集验证改进后算法的有效性。

有关秩集样本的应用

主要介绍有关秩集抽样的基本方法,并应用该方法进行了最紧的某处最优势检验,并与利用简单随机样本进行的检验进行比较。

基于Adaboost分类算法的优化研究与应用

针对数据采集过程中的数据分布不平衡的问题,对非平衡数据应用数据挖掘分类算法进行分类。传统的分类器在处理非平衡数据时分类结果往往倾向于样本数目较多的类。但Adaboost算法在处理非平衡数据过程中表现出了优势,主要是对Adaboost算法进行改进和应用,采用级联的Adaboost分类器并结合SVM算法构造出分类效率更高的分类器。最后通过具体数据验证改进后算法的有效性。