《表1 1 各神经网络模型测试集识别效果比较》

  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

《公司财务舞弊的智能识别与模型优化策略》

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

与逻辑回归、决策树、支持向量机以及采用径向基函数的神经网络模型相比，采用多层感知器的神经网络模型在测试集中的正确率最高，因此调节采用多层感知器的神经网络模型的参数对模型进行优化，以探求最佳的财务舞弊识别模型。神经网络模型可调节的参数主要有隐藏层数、隐藏层神经元数、激活函数以及梯度下降法循环次数。在SPSS Modeler中，神经网络模型可以调节的参数主要有隐藏层数和各隐藏层神经元数，隐藏层数最多为2，因此在构建多层神经网络模型时存在一定局限性。构建多层神经网络时，按n2小于n1的原则调整神经元数，在测试集中的正确率最高的9个模型（神经网络1-9）如表11所示。与自动计算神经元数得到的单层神经网络模型相比，多层神经网络模型的识别效果更佳。当n1=13，n2=10时，神经网络7的正确率为86.86%，是所有神经网络模型中正确率最高的模型。