• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Conference on Mechatronics and Industrial Informatics >Credit Risk Evaluation Using a new classification model: L1-LS-SVM
【24h】

Credit Risk Evaluation Using a new classification model: L1-LS-SVM

机译：使用新分类模型的信用风险评估：L1-LS-SVM

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Least squares support vector machine (LS-SVM) has an outstanding advantage of lower computational complexity than that of standard support vector machines. Its shortcomings are the loss of sparseness and robustness. Thus it usually results in slow testing speed and poor generalization performance. In this paper, a least squares support vector machine with L1 penalty (L1-LS-SVM) is proposed to deal with above shortcomings. A minimum of 1-norm based object function is chosen to get the sparse and robust solution based on the idea of basis pursuit (BP) in the whole feasibility region. Some UCI datasets are used to demonstrate the effectiveness of this model. The experimental results show that L1-LS-SVM can obtain a small number of support vectors and improve the generalization ability of LS-SVM.
机译：最小二乘支持向量机（LS-SVM）具有较低的计算复杂性优于标准支持向量机的优势。它的缺点是稀疏性和稳健性的损失。因此，它通常会导致测试速度缓慢和较差的泛化性能。在本文中，提出了一种具有L1惩罚（L1-LS-SVM）的最小二乘支持向量机以处理上述缺点。选择最小的基于1常态的对象功能，以基于整个可行性区域的基础追踪（BP）的思想获得稀疏和强大的解决方案。一些UCI数据集用于展示该模型的有效性。实验结果表明，L1-LS-SVM可以获得少量的支持载体并改善LS-SVM的泛化能力。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号