《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》

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: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。