基于L1惩罚Logit模型的P2P网络借贷信用违约识别与预测

利用L1惩罚Logit模型,实证检验P2P网贷信用违约的关键影响因素;并利用混淆矩阵与ROC曲线等分类评价方法,检验模型的违约预测效果。研究发现:L1惩罚Logit模型具有很好的变量选择功能,可以有效地识别影响信用违约的关键因素,降低管理者的监管成本;L1惩罚Logit模型能够获得比普通Logit模型、支持向量机等更好的预测效果,既能够从总体上实现对信用违约状态的准确预测,又能够细致分析关键影响因素对违约概率造成的影响,有助于预测和控制信用风险的发生。

基于l1惩罚加速的贝叶斯网贪婪搜索算法

首先通过l1惩罚学习高斯图模型(即贝叶斯网的道义图),然后在道义图上贪婪搜索贝叶斯网的结构。通过模拟实验与PC算法、GES方法和GDS算法进行了比较。

次序L1惩罚估计在高维数据分析中的应用

针对变量选择问题,采用次序L1惩罚估计(SLOPE)方法,在一般稀疏回归模型中进行变量选择,并与LASSO方法进行比较。模拟研究结果表明:SLOPE方法可以在控制错误发现率(FDR)的同时,适应数据的稀疏性,提高预测准确率,验证了模型选择正确率及方法的有效性。

基于重加权l_1范数惩罚的远近场混合源定位算法

现有信源定位方法大多假定信源是远场源或近场源,而实际定位系统中往往存在远场源和近场源共存的情况.为实现远、近场源分离及高精度信源定位,本文在稀疏信号重构理论框架下提出了一种新的远近场混合源定位算法.该算法利用阵列协方差矩阵反对角线元素和重加权l_1范数惩罚获得所有信源的到达角(Direction Of Arrival,DOA)估计.在DOA估计的基础上,根据远场与近场源距离参数位于不同区间的特点利用一维搜索实现远、近场源分离以及近场源距离参数的估计.从理论角度分析了重加权l_1范数惩罚算法的重构性能.本文所提算法不仅同时适用于高斯和非高斯信号,而且无需多维搜索和参数配对,也无需信源数的先验信息,同时还可以获得较好的定位精度.计算机仿真结果验证了所提算法的有效性.

L1正则化Logistic回归在财务预警中的应用

线性模型和广义线性模型已广泛地用于社会经济、生产实践和科学研究中的数据分析和数据挖掘等领域,如公司财务预警,引入L1范数惩罚技术的模型在估计模型系数的同时能实现变量选择的功能.本文将L1范数正则化Logistic回归模型用于上市公司财务危机预报,结合沪深股市制造业ST公司和正常公司的T-2年财务数据开展实证研究,对比Logistic回归和L2正则化Logistic回归模型进行对比分析.实验结果表明L1正则化Logistic回归模型的有效性,其在保证模型预测精度的同时提高模型的解释性.

带状结构的高斯图模型嵌套惩罚估计

高斯图模型的精确矩阵的诸元素可以利用系列线性回归模型进行解释。在具有带状结构的高斯图模型场合下,文章对诸线性回归系数施加嵌套的l1惩罚,得到精确矩阵的改进的嵌套Lasso估计。通过局部平方近似及牛顿迭代算法,能很方便得到估计结果。数值模拟结果表明精确矩阵的嵌套Lasso估计提高了估计速度和估计精度。

平滑削边绝对偏离惩罚截断Hinge损失支持向量机的财务危机预报

针对传统支持向量机(SVM)分类存在对离群点敏感、支持向量(SV)个数多和分类面参数非稀疏的问题,提出了平滑削边绝对偏离(SCAD)惩罚截断Hinge损失SVM(SCAD-TSVM)算法,并将其用于构建财务预警模型,同时就该模型的求解设计了一个迭代更新算法。结合沪深股市A股制造业上市公司的财务数据进行实证分析,同时对比L1范数惩罚SVM、SCAD惩罚SVM和截断Hinge损失SVM(TSVM)构建的T-2和T-3模型,结果发现SCAD-TSVM构建的T-2和T-3模型都具有最好的稀疏性和最高的预报精度,而且其在不同训练样本数上的平均预测准确率都要比L1范数SVM(L1-SVM)、SCAD-SVM和TSVM算法的高。

基于惩罚高斯混合模型的微阵列基因表达数据分析

随着现代生物技术的发展,基于基因表达数据的肿瘤分型诊断已成为DNA微阵列的重要应用领域。提出一种基于基因表达数据的肿瘤分型诊断新方法,并在理论上给出模型解释。该方法通过对高斯混合模型加上一个L1惩罚实现了肿瘤分类和信息基因选择的有机结合,从而用较少的变量达到更高的识别率。实验结果显示,无论是在模拟数据中还是五个微阵列数据集中,提出的方法都是高效稳定的。

图模型在彩色纹理分类中的应用

纹理分析中往往将彩色图像转换为灰度图以降低计算复杂度,这样就忽略了颜色信息。而利用主成分分析的方法来降维彩色纹理,则可以尽可能地保留颜色和纹理信息。高斯图模型(Gaussian Graphical Models,GGM)可以很好地描述有交互作用的高维数据,因此可用来建立图像纹理模型。根据局部马尔可夫性和高斯变量的条件回归之间的关系,可将复杂的模型选择转变为较简单的变量选择。通过惩罚正则化方法,其邻域选择和参数估计可同步进行,然后提取纹理特征进行彩色纹理分类,实验显示其具有很好的效果。因此,结合主成分分析和高斯图模型来构建彩色纹理模型有很好的发展前景。

数学建模中模型估计方法的研究——以图模型学习为例进行分析

数学建模主要涉及到如何从问题背景和大量的数据中提取有价值的信息,建立数学模型,并对模型中的参数进行估计,进而用建立的模型解决实际问题。我们常借助图模型建立数学模型,可以更清晰直观地表达数据之间的关系。最著名的图模型是贝叶斯网,它是一种帮助人们将数学工具应用于复杂领域,进行数据分析的有力工具。近年来,基于惩罚似然的方法进行贝叶斯网学习备受关注。

基于L1/2正则化Logistic回归的上市公司财务危机预警模型

针对财务危机预警模型指标存在信息冗余及Logistic回归模型预测精度有待提高的不足,利用L1/2范数惩罚技术优化Logistic回归模型,构建基于L1/2正则化Logistic回归的上市公司财务危机预警新模型.通过以沪深股市制造业股票交易得到特别处理（Special Treatment, ST）公司和非ST公司为研究对象,对比研究传统Logistic回归和L1正则化Logistic回归模型的预测结果,实证研究表明：通过L1/2正则化的Logistic回归模型不仅可以实现参数估计和变量选择,而且具有更高的预测精度和泛化能力.研究体现了新模型对预警问题的合理性和优越性,为上市公司财务危机预警后续研究提供一定的借鉴.

统计模型在中文文本挖掘中的应用

本文讨论了中文文本挖掘的三个问题:分词、关键词提取和文本分类。对分词问题,介绍了基于层叠隐马尔可夫模型的ICTCLAS分词法,以及将词与词之间的分隔视为缺失数据并用EM算法求解的WDM方法;对关键词提取问题,提出了贝叶斯因子法,并介绍了使用稀疏回归的CCS方法;对文本分类问题,介绍了根据关键词频率建立分类器的方法,以及先建立主题模型再根据主题概率建立分类器的方法。本文通过两组文本数据对上述方法进行比较,并给出使用建议。