《表6 上市公司t-3数据训练样本SMOTE采样》
提示：宽带有限、当前游客访问压缩模式
将表6中训练样本数据与虚拟样本数据通过上文中的BP神经网络构建过程，估计出参数wij、bj、vj和θ。则可得到基于BP神经网络的ST概率计算模型：
| 图表编号 | XD00143123200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.03.31 |
| 作者 | 迟国泰、章彤、张志鹏 |
| 绘制单位 | 大连理工大学经济管理学院、大连理工大学经济管理学院、大连理工大学经济管理学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表6 径向基人工神经网络模型训练和测试样本数据集》2020.10.20
- 《表2 经改进SMOTE算法插值后6类主题样本数据》2020.09.20
- 《表1 实验数据集：一种基于SMOTE的不均衡样本KNN分类方法》2020.06.01
- 《表1 过采样前后训练集正样本比例n(%)》2020.08.28
- 《表3 SVM SMOTE处理前后训练数据的分布情况》2020.07.31
- 《表2 样本数据具体分布：基于SVM SMOTE的电力变压器故障样本均衡化方法》2020.07.31
- 《表1 数据集的基本信息：整合DBSCAN和改进SMOTE的过采样算法》2020.09.15
- 《表2 混淆矩阵：整合DBSCAN和改进SMOTE的过采样算法》2020.09.15
- 《表5 上市公司第t-3年训练样本及指标筛选结果》2020.03.31
- 《表1 混淆矩阵：基于改进的SMOTE采样Catboost分类算法》2020.01.01
- 《表5 AK-SMOTE采样处理的Catboost模型结果》2020.01.01
- 《表4 AK-SMOTE采样处理的GBDT模型结果》2020.01.01
- 《表3 AK-SMOTE采样处理的随机森林模型结果》2020.01.01
- 《表6 PSO-BP神经网络模型训练样本数据系列》2019.09.01
- 《表1 数据集描述：面向不平衡分类的IDP-SMOTE重采样算法》2019.01.01
- 《表2 混淆矩阵：面向不平衡分类的IDP-SMOTE重采样算法》2019.01.01
- 《表6 测试样本：SL-SMOTE和CS-RVM结合的电子设备故障检测方法》2019.02.15
- 《表2 使用SMOTE算法对阳性数据增量后训练集的结果》2019.01.15
- 《表4 合成少数过采样生成的NSL-KDD训练数据分布Tab.4 Smote generated NSL-KDD training data distributions》2018.02.01
- 《表4 SMOTE过采样数据对比Tab.4 SMOTE oversampling data comparison》2018.11.21