基于非平衡數據集聚類案例推理的企業(yè)失敗預警.pdf

1、案例推理(Case-Based Reasoning，CBR)是商業(yè)預測領域的預測方法之一，它在保持較好預測性能的同時可對預測結果做出解釋。企業(yè)經營中，失敗企業(yè)比例小，正常企業(yè)比例大，但一個企業(yè)的失敗所造成的損失不可小覷，故構造一個對少數類有較高預測準確率的方法是非常有意義的。對于由少數類和多數類組成的商業(yè)預警問題，構建的方法往往是基于平衡數據集的假設，因此在解決非平衡數據集問題時對少數類的預警不理想。對此問題，本文集成聚類算法到案例推理

2、中，設計了聚類案例推理方法CCBR(Clustering CBR)。CCBR方法首先將案例庫中案例通過層次聚類算法形成若干個案例類，并計算得到每個案例類的聚類中心;在案例檢索時，將目標案例與這些聚類中心進行最近鄰案例類檢索，找到最相似的案例類后，再在該類內檢索出若干個近鄰作為匹配案例對目標案例進行預測?；谒膫€非平衡數據集，本文將CCBR方法與傳統(tǒng)案例推理方法CBR、SVM方法、LOGIT方法和MDA方法做了對比。實驗結果表明，CCBR

3、方法可顯著提高CBR預測非平衡數據集中少數類案例的召回率。
　　 鑒于非平衡數據集中的少數類的重要地位，正確識別少數類反映了所構建方法的預警性能及其應用價值。傳統(tǒng)消除數據集非平衡性的方法有過學習或信息丟失等缺陷，同時失去了對現(xiàn)實數據分布的真正模擬。相比較而言，通過算法的改進來處理非平衡數據集具有更好的問題針對性，CCBR正是通過算法的改進來直接處理非平衡數據集的方法。通過實驗結果的對比分析可看出CCBR的優(yōu)勢:對于非平衡數據集，

4、CCBR可一直保持相對較高的召回率，即對案例數目較少的類有較高的檢對率。本研究中t-1和t-2數據集是企業(yè)失敗前一年數據和前兩年非平衡數據集，通過應用CCBR方法，這兩個數據集可以及時地在前一年或前兩年對企業(yè)危機做出預警，積極地防患于未然。
　　 在文章結構安排上，本文首先指出了選題背景和研究意義，對有關非平衡數據集的分類預警、案例推理的性能研究、聚類算法在案例推理中的應用和企業(yè)失敗預警方法的研究狀況作了回顧，并結合本文的研究實

5、際，說明了文中用到的研究領域和方向。其次，對案例集中指標屬性的選取和屬性規(guī)范化方法做了研究。然后對聚類案例推理的基本原理做以介紹，說明聚類案例推理算法中案例類的生成、聚類數目的確定、案例類和案例的檢索以及預警。最后，對初始案例庫做以簡單介紹，進一步說明了實驗中所使用的屬性規(guī)范化方法及性能評估指標，并給出了CCBR方法與CBR、SVM、LOGIT和MDA方法的性能對比試驗結果和分析說明。通過20個目標案例，初步考察了CCBR方法的實用價值