دانلود مقاله ISI انگلیسی شماره 48511
عنوان فارسی مقاله

یکپارچه سازی طرح های کاهش ابعاد بر اساس نمودار غیرخطی با SVM ها برای پیش بینی رتبه بندی اعتباری

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
48511 2009 4 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Integrating nonlinear graph based dimensionality reduction schemes with SVMs for credit rating forecasting
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 36, Issue 4, May 2009, Pages 7515–7518

کلمات کلیدی
تعبیه نمودار مرکزی - کاهش ابعاد - پشتیبانی از ماشین بردار - طبقه بندی چند طبقه - رتبه بندی اعتباری
پیش نمایش مقاله
پیش نمایش مقاله یکپارچه سازی طرح های کاهش ابعاد بر اساس نمودار غیرخطی با SVM ها برای پیش بینی رتبه بندی اعتباری

چکیده انگلیسی

By integrating graph based nonlinear dimensionality reduction with support vector machines (SVMs), this study develops a novel prediction model for credit ratings forecasting. SVMs have been successfully applied in numerous areas, and have demonstrated excellent performance. However, due to the high dimensionality and nonlinear distribution of the input data, this study employed a kernel graph embedding (KGE) scheme to reduce the dimensionality of input data, and enhance the performance of SVM classifiers. Empirical results indicated that one-vs-one SVM with KGE outperforms other multi-class SVMs and traditional classifiers. Compared with other dimensionality reduction methods the performance improvement owing to KGE is significant.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.