关于政府采购中供应商的信用分析毕业论文(2)
2015-05-01 01:02
导读：20世纪90年代兴起的支持向量机（Support Vector Machines，SVM）是基于结构风险最小化原理的 统计学 习方法, 适用于小样本分类问题。在解决高维、非线性问题
20世纪90年代兴起的支持向量机（Support Vector Machines，SVM）是基于结构风险最小化原理的
统计学习方法, 适用于小样本分类问题。在解决高维、非线性问题时，SVM通过非线性映射把非线性分类化为线性问题来处理。从而，显示出其显著的优越性[ 4-5]。因此，SVM技术是进行供应商信用分析建模的有效工具。
笔者将PCA技术与SVM技术相结合构建政府采购中供应商的信用分析模型，建模的基本过程如图1所示。
二、信用属性数据的特征挖掘
主成分分析方法目前主要有两种：标准主成分分析方法和基于核的主成分分析方法。
（一）标准主成分分析
标准的主成分分析是一种有效的数据特征挖掘方法[ 6]。它基于数据二阶统计矩，对由一系列观测数据向量组成的向量组进行分析，通过选择样本点分布方差大的坐标轴进行投影来降低维数而使信息量损失最少。
记供应商的信用观测属性矢量为：
（二）基于核的主成分分析方法[ 7]
基于核的主成分分析方法（Kernel Principle Component Analysis, KPCA）是一种非线性特征挖掘方法, 其基本思想是利用核函数, 通过非线性映射将输入数据映射到一个高维的特征空间中，然后在特征空间中利用标准主成分分析法来挖掘主成分作为特征向量。
实践证明，PCA与KPCA都能够获得良好的特征挖掘效果[ 6］［7]。虽然与PCA相比，KPCA挖掘后的道德标准均方误差更小，但是KPCA需要大量的主成分，要耗费大量的时间进行计算，这对于供应商信用管理信息系统的建立和维护是不利的。由于PCA完全能够满足精度要求，在本文中被采用进行信用属性数据的特征挖掘。然后，将挖掘出的新的属性样本数据用于支持向量机的信用分析建模。 三、信用分析模型的建立
（科教作文网http://zw.nseAc.com）
