《表7 4种算法实验结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于贝叶斯网络的上市证券公司风险预警模型研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:表格内数值表示对应算法重复1000次后取平均的正确率，括号内数值表示方差；第1组为抽样前:A（40）、B（29）、C（5），第2组为C类抽样200%、抽样后:A（40）、B（29）、C（15），第3组为C类抽样300%、抽样后:A（40）、B（29）、C（20），第4组为C类抽样400%、抽样后:A（40）、

为了比较不同机器学习方法的优劣性，首先采用十折交叉验证方式得到各方法的平均正确率，在此基础上，各自重复1000次后取平均得到各方法下的正确率，即针对每种算法分别进行了10000次正确率计算后取平均。为了同传统计量方法及其他机器学习方法作对比，加入多项Logit回归及支持向量机、随机森林等方法分别建立模型。其中支持向量机采用Gauss径向基函数；贝叶斯网络方法采用K2算法进行结构学习，经过反复比较模型正确率及标准差，最终确定贝叶斯网络建模中的最大父节点数为1，即所建贝叶斯网络为朴素贝叶斯网络，所有变量的父节点均为类标签，所建贝叶斯网络图如图1所示。 （以上操作均在WEKA3.6.10上实现，最终结果见表7）