亚洲一区人妻,久久三级免费,国模少妇无码一区二区三区,日韩av动漫

國內(nèi)或國外 期刊或論文

您當前的位置:發(fā)表學術(shù)論文網(wǎng)電子論文》 電子設計論文發(fā)表淺析Logistic回歸變量的醫(yī)學應用> 正文

電子設計論文發(fā)表淺析Logistic回歸變量的醫(yī)學應用

所屬分類:電子論文 閱讀次 時間:2015-08-05 16:12

本文摘要:logistic回歸變量主要在流行病學中應用較多,這種曲線圖主要是探索某疾病的危險因素,根據(jù)曲線圖大概推測出疾病發(fā)生的概率等等,這可以讓我們對疾病有個大概的了解,下面小編推薦一篇關(guān)于logistic回歸變量的電子論文。 摘要:BP神經(jīng)網(wǎng)絡是一種使用非線性可導

  logistic回歸變量主要在流行病學中應用較多,這種曲線圖主要是探索某疾病的危險因素,根據(jù)曲線圖大概推測出疾病發(fā)生的概率等等,這可以讓我們對疾病有個大概的了解,下面小編推薦一篇關(guān)于logistic回歸變量的電子論文。

  摘要:BP神經(jīng)網(wǎng)絡是一種使用非線性可導函數(shù)作為傳遞函數(shù)的前饋神經(jīng)網(wǎng)絡,具有較高的精確度,但過多的預測變量會影響B(tài)P神經(jīng)網(wǎng)絡的準確性。采用Logistic回歸變量篩選方法能在一定程度上提高分類準確性,提高模型效率。對2013年滬深兩市A股分類評級進行了研究,證明基于Logistic回歸變量篩選的神經(jīng)網(wǎng)絡提高了兩極類別分類的準確性。

  關(guān)鍵詞:BP神經(jīng)網(wǎng)絡;Logistic回歸;變量篩選

  0引言

  人工神經(jīng)網(wǎng)絡的數(shù)據(jù)擬合是通過對輸入和輸出的分析,來更新各神經(jīng)元間的連接權(quán)重,是一種非線性的統(tǒng)計模型,具有較高的精確度[1]。但是,對于多種因素共同決定的復雜問題來說,由于影響因變量的預測變量過多,將全部預測變量加入模型進行分析,一些重要性較低的變量噪聲就會影響整個模型的精度,達不到分析效果[2]。由此,本文提出一種優(yōu)化的基于Logistic回歸變量篩選的神經(jīng)網(wǎng)絡分析方法。

  1原理

  1.1BP神經(jīng)網(wǎng)絡

  BP神經(jīng)網(wǎng)絡是一種基于有監(jiān)督的學習、使用非線性可導函數(shù)作為傳遞函數(shù)的前饋神經(jīng)網(wǎng)絡[3]。BP神經(jīng)網(wǎng)絡具有較強的非線性映射能力、較高的自學習和自適應能力、將學習成果應用于新環(huán)境和新知識的能力以及相當?shù)娜蒎e能力[4]。

  BP算法(Error Back Proragation)學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時,輸入樣本從輸入層傳入,經(jīng)各隱層逐層處理后,傳向輸出層[5]。若輸出層的實際輸出與期望的輸出不符,則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳,并將誤差分攤給各層的所有單元,從而獲得各層單元的誤差信號,此誤差信號即作為修正各單元權(quán)值的依據(jù)[6]。這種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程,是周而復始進行的。權(quán)值不斷調(diào)整的過程,也就是網(wǎng)絡的學習訓練過程。此過程一直進行到網(wǎng)絡輸出的誤差減少到可接受的程度,或進行到預先設定的學習次數(shù)為止[78]。如圖1所示,向量X為輸入層輸入向量,向量Y為隱層輸出向量,向量O為輸出層輸出向量,矩陣V為輸入層到隱層之間的權(quán)值矩陣,矩陣W為隱層到輸出層之間的權(quán)值矩陣。

  1.3基于Logistic回歸變量篩選的BP神經(jīng)網(wǎng)絡實現(xiàn)方法

  使用IBM SPSS Modeler 15.0構(gòu)建模型[11]。用Logistic回歸分析方法擬合數(shù)據(jù),提取出符合變量篩選條件的預測變量[12]。構(gòu)建Logistic回歸模型時使用分區(qū)數(shù)據(jù)并為每個分割構(gòu)建獨立的模型;選用多項式過程,變量提取方法使用步進法并使用主效應模型,目標基準類別使用第一類別,迭代次數(shù)上限為20次。挑選出滿足給定顯著水準的預測變量后,將這些預測變量加入數(shù)據(jù)流作為BP神經(jīng)網(wǎng)絡輸入層變量,目標選擇創(chuàng)建標準模型,并使用BP算法建立MLP神經(jīng)網(wǎng)絡模型,停止條件為最大訓練時間10分鐘,防止過度擬合集合設為30%。使用上述權(quán)值調(diào)整算法建立神經(jīng)網(wǎng)絡進行分類分析,具體模型如圖2所示。

  2實例分析

  股票評級是股票資信評估的一個重要項目,它可以為投資者提供股票的風險信息,降低投資者的風險成本,是投資者決策的重要依據(jù)[13]。由于股票價格受到政治、經(jīng)濟、社會等多種因素影響,使用傳統(tǒng)的模型擬合往往無法達到令人滿意的效果[14],本文提出的模型正好能解決此難題。

  2.1數(shù)據(jù)準備

  選取2013年度上證A股、深證A股所有股票,導出2013年1月4日至2013年12月31日間股票交易數(shù)據(jù),并從銳思數(shù)據(jù)庫、中國證券報網(wǎng)站、新浪財經(jīng)數(shù)據(jù)中心等平臺匯總上市公司四季度報(年報)數(shù)據(jù)。其中年報數(shù)據(jù)保留盈利能力(包括凈資產(chǎn)收益等7項指標)、運營能力(包括應收賬款周轉(zhuǎn)率等6項指標)、成長能力(包括主營業(yè)務收入增長率等6項指標)、償債能力(包括流動比率等6項指標)、現(xiàn)金流量(包括現(xiàn)金流量比等5項指標),共計30項財務分析指標。

  2.2數(shù)據(jù)清理

  由于樣本含量足夠大,將近2 500例,對于存在缺失值的實例,將整條數(shù)據(jù)刪除,不作分析使用。

  2.3數(shù)據(jù)變換及離散化

  (1)考慮到個別股票在2013年度存在除權(quán)除息,如果直接按市場價格計算股票漲跌幅,就會偏離實際情況,因此對這部分股票需要按實際收益計算其漲跌幅度。

  (2)計算出年度股票漲跌幅后,將其離散化處理,漲跌幅(-∞,-20%],(-20%,0%],(0%,20%],(20%,+∞)分別離散為0,1,2,3四個數(shù)值。

  2.4數(shù)據(jù)集成

  將股票價格及漲跌數(shù)據(jù),上市公司財務指標數(shù)據(jù)集成至一個數(shù)據(jù)庫,最終得到有效數(shù)據(jù)1 856例。

  2.5建立模型

  構(gòu)建Logistic回歸模型,以步進法通過似然比統(tǒng)計篩選得到7個預測變量,如圖3所示,再用此7個預測變量構(gòu)建人工神經(jīng)網(wǎng)絡模型如圖4所示。對照模型使用未使用變量篩選的人工神經(jīng)網(wǎng)絡。構(gòu)建模型時,訓練數(shù)據(jù)占80%,測試數(shù)據(jù)占20%。

  2.6實驗結(jié)果

  評級總正確率較未使用變量篩選的模型,在培訓和測試數(shù)據(jù)分區(qū)分別有了1.5和3個百分點的提高,分別為48.64%和50.52%;在評級=0時分別有了21和28個百分點的提高,分別為60.61%和64.63%,從ROC下方面積可以清晰看到這個變化,如圖7、圖8所示;在評級=3時培訓分區(qū)有了5個百分點的提高,為82.8%,測試區(qū)沒有提高。但在評級=1或者評級=2時正確率卻有了不同程度的下降。

  2.7實驗結(jié)果分析

  使用Logistic回歸篩選變量后的BP神經(jīng)網(wǎng)絡在對股票進行評級時,其評級正確率在漲幅最大區(qū)域因原模型準確率已高達77%,提升幅度不是特別大,但在跌幅最大區(qū)域卻有了顯著提高。其原因在于篩選后的變量擴大了影響程度較大的變量的影響,縮小了原有影響程度較小的變量產(chǎn)生噪聲的影響,使處于漲幅極端的兩類因變量特征更加明顯,其分類正確率自然會有提升。而對于處于漲幅中間區(qū)域的兩類因變量來說,因其漲跌幅較小,各種自變量的影響相互博弈,刪減自變量,對其正確分類必然產(chǎn)生較大影響,降低了分類正確率。但在實際生活中,人們關(guān)心的往往是如何使利益最大化,并盡可能減小風險成本。因此,本文所提出的模型價值顯而易見。

  3結(jié)語

  股票分級實驗證明,基于Logistic回歸篩選變量后的BP神經(jīng)網(wǎng)絡在保證總體分類正確率穩(wěn)步提升的同時在極大、極小分類正確率上也有了顯著的提高。因此,在對極值分類有較高要求且預測變量較多的應用領(lǐng)域,此模型可作為一種分類參考,以提高分類效率。

  參考文獻參考文獻:

  [1]SONG Y P, PENG X Q. New structure adapting neural network and its training method[J]. Control and Decision,2010,25(8):12651268.

  [2]韓玲.基于人工神經(jīng)網(wǎng)絡—多層感知器(MLP)的遙感影像分類模型[J].測繪通報,2004(9):2931.

  [3]韓力群.人工神經(jīng)網(wǎng)絡教程[M].北京:北京郵電大學出版社,2006.

  [4]LI Y, WANG Z, AO Z G, et al.Optimization for breakout prediction system of BP neural network[J]. Control and Decision, 2010,25(3): 453456.

  小編推薦優(yōu)秀的電子期刊 《電子設計技術(shù)》

  《電子設計技術(shù)》(月刊)創(chuàng)刊于1994年,由中國電子報社主辦。 本刊辦刊宗旨:成為中國電子設計業(yè)主導刊物,讀者:電子設計業(yè)工程師及技術(shù)管理人員。榮獲2001年獲信息產(chǎn)業(yè)部1999-2000年度電子科技期刊出版質(zhì)量獎、2004年獲信息產(chǎn)業(yè)部2003-2004年度電子科技期刊報道選題獎。

轉(zhuǎn)載請注明來自發(fā)表學術(shù)論文網(wǎng):http:///dzlw/4035.html