支持向量机及其个人信用评估PDF电子书下载

第1章 概述 1

1.1支持向量机研究现状 1

1.2个人信用评估的意义及发展 4

1.2.1个人信用评估的意义 4

1.2.2个人信用评估的发展历史 5

1.2.3个人信用评估的现状 6

1.3个人信用评估的主要方法 7

1.4本书内容结构框架 9

第2章 支持向量机理论 10

2.1支持向量机概述 10

2.2统计学习理论 10

2.2.1统计学习理论的核心内容 10

2.2.2学习过程一致性的条件 11

2.2.3 VC维 11

2.2.4推广性的界 12

2.2.5结构风险最小化 13

2.3支持向量机内涵 14

2.4支持向量分类 15

2.4.1线性支持向量机 15

2.4.2非线性支持向量机 16

2.4.3支持向量机的核函数 17

2.4.4训练算法 19

2.5支持向量回归 20

2.5.1线性回归情形 20

2.5.2非线性回归情形 21

2.6支持向量机模型的参数选择 22

2.7支持向量机的变形算法 22

2.7.1 C-SVM算法 23

2.7.2v-SVM算法 23

2.7.3 One-class SVM算法 24

2.7.4 WSVM算法 24

2.7.5最小二乘支持向量机算法 25

2.7.6粒度支持向量机算法 25

2.7.7孪生支持向量机算法 25

2.7.8简约支持向量机算法 26

2.7.9排序支持向量机算法 26

2.7.10基于组合的支持向量机算法 26

2.7.11基于多类问题的支持向量机算法 27

2.8支持向量机方法的特点 29

2.9本章小结 30

第3章 支持向量机工具箱及应用 31

3.1支持向量机软件介绍 31

3.2 LS-SVMlab的使用 33

3.2.1 LS-SVMlab工具箱简介 33

3.2.2 LS-SVMlab工具箱的使用方法 34

3.2.3实例 34

3.3 MATLAB SVM Toolbox的使用 36

3.3.1 MATLAB SVM Toolbox工具箱简介 36

3.3.2 MATLAB SVM Toolbox工具箱的使用方法 37

3.3.3实例 39

3.4 LIBSVM 42

3.4.1 LI BSV M简介 42

3.4.2 Windows操作系统下I.IBSV M可执行文件的使用 42

3.4.3在MATLAB下使用LIBSV M 48

3.4.4实例 51

第4章 支持向量机的应用 53

4.1不同准则下的线性支持向量机回归 53

4.1.1支持向量机回归模型 53

4.1.2使残差的平方和为最小 54

4.1.3使残差的最大绝对值为最小 54

4.1.4使残差的绝对值之和为最小 55

4.1.5实例计算与分析 55

4.1.6本节小结 59

4.2基于粗糙集和支持向量机的效能评定 59

4.2.1引言 59

4.2.2效能评定的主要方法 60

4.2.3知识约简方法 60

4.2.4基于支持向量机效能模型 63

4.2.5本节小结 66

4.3基于支持向量机的武器系统参数费用模型 66

4.3.1引言 66

4.3.2武器系统参数费用模型 67

4.3.3知识约简方法 67

4.3.4基于支持向量机参数费用模型 69

4.3.5本节小结 72

4.4基于主成分分析和支持向量机的威胁判断模型 73

4.4.1引言 73

4.4.2威胁判断的指标选取 73

4.4.3主成分分析 73

4.4.4基于支持向量机威胁度评估模型 75

4.4.5本节小结 78

4.5基于支持向量机的电价组合预测 78

4.5.1电价预测概况 78

4.5.2组合预测研究现状 78

4.5.3线性组合预测 82

4.5.4支持向量机非线性组合预测模型 83

4.5.5算例分析和讨论 84

4.5.6本节小结 86

4.6基于支持向量机的船型主尺度要素数学模型 86

4.6.1概述 86

4.6.2支持向量机回归模型 86

4.6.3船型主尺度要素的支持向量机回归模型 88

4.6.4与其他方法比较 91

4.6.5本节小结 91

4.7基于粗糙集与模糊支持向量机的模式分类方法 92

4.7.1粗糙集理论预处理方法 92

4.7.2模糊支持向量机 93

4.7.3实验结果及分析 98

4.7.4本节小结 100

4.8本章小结 100

第5章 个人信用评价指标体系的构建 101

5.1个人信用评估定义 101

5.2个人信用评估模式 102

5.3个人信用评价指标体系构建原则 103

5.4国外个人信用评价体系情况 103

5.5国内个人信用评价体系情况 106

5.6个人信用评价指标建立 109

5.7个人信用数据的来源和预处理 111

5.8德国个人信用数据集 114

第6章SPSS Clementine语言 119

6.1 SPSS Clementine语言介绍 119

6.2 SPSS Clementine语言使用 120

6.2.1操作界面的介绍 120

6.2.2数据流基本操作的介绍 122

6.3 SPSS Clementine语言示例1：因子分析 125

6.4 SPSS Clementine语言示例2：神经网络 131

第7章 基于决策树C5.0算法的个人信用评估 139

7.1决策树方法 139

7.2 ID3算法 140

7.3 C4.5算法 144

7.4 C5.0算法及实例 147

7.5基于C5.0算法的个人信用评估 151

7.6误分类损失分析 156

7.7本章小结 156

第8章 基于分类与回归树的个人信用评估 157

8.1分类与回归树方法 157

8.1.1分类与回归树方法概况 157

8.1.2生成最大树 157

8.1.3树的修剪 159

8.1.4子树评估 160

8.2基于CART的个人信用评估 160

8.3误分类损失分析 163

8.4本章小结 165

第9章 基于神经网络的个人信用评估 166

9.1神经网络概况 166

9.2神经网络模型 167

9.2.1生物神经网络的启示 167

9.2.2人工神经元模型 168

9.2.3人工神经网络模型 173

9.3神经网络的特征 175

9.3.1神经网络的工作过程 175

9.3.2神经网络的学习规则 176

9.3.3神经网络的特点及应用领域 176

9.4多层感知器和BP算法 177

9.4.1多层感知器网络结构 177

9.4.2 BP算法传播过程 178

9.4.3算法学习规则 178

9.4.4算法步骤 179

9.4.5 BP算法优缺点 179

9.5基于神经网络的个人信用评估方法 180

9.6专家设置 182

9.7本章小结 183

第10章 基于支持向量机分类的个人信用评估 184

10.1支持向量机分类 184

10.2基于支持向量机分类的个人信用评估方法 185

10.2.1字符和数字化混合数据集 185

10.2.2数字化数据集 188

10.3本章小结 190

第11章 基于K均值与支持向量机的个人信用评估 191

11.1 K均值算法 191

11.1.1 K均值数学模型 191

11.1.2 K-均值算法及例子 192

11.1.3 K-means聚类算法的MATLAB实现 193

11.2测试数据说明 195

11.3简单聚类方法 195

11.4基于支持向量机的分类方法 196

11.5与K-means结合的支持向量机个人信用评估方法 196

11.6本章小结 198

第12章 总结 199

附录A简单聚类个人信用评估方法程序 202

附录B基于支持向量机的分类方法 205

附录C与K-means结合的支持向量机方法 207

参考文献 209