《表3 基于整体样本的各预警模型的预测结果》
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
《中国企业“僵尸化”的SMOTE-SVM智能预警研究》
注:加粗值代表同一评估方法下的最高值。G值和AUC值综合考察模型对于两类样本的预测性能,越高表示模型的综合预测能力较强;F值单独考察了模型对于少数类样本的预测性能,越高表示模型对于少数类样本预测能力较强
为全面地评估预警模型的预测性能,本文将单独的距离判别分析(DDA)模型、逻辑回归(LR)模型、BP人工神经网络(BP-ANN)模型、SVM模型以及上述模型与SMOTE相结合的改进模型进行性能对比研究(见表3)。从表3可以看出,集成了SMOTE的各模型较未集成SMOTE的各模型在G、F和AUC值上都有了显著的提升(SMOTE-DDA模型除外),且集成了SMOTE的SVM模型具有最高的G、F和AUC值,表明SMOTE方法能够有效地解决不平衡样本问题,且证明了本文提出的改进智能预警模型,即SMOTE-SVM模型的优势。
图表编号 | XD0060190700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.01 |
作者 | 李晓燕 |
绘制单位 | 西南交通大学经济管理学院、成都理工大学商学院 |
更多格式 | 高清、无水印(增值服务) |