談?wù)劵�于支持向量機集成的電子商務(wù)環(huán)境下客戶(hù)信用評估模型

　　導語(yǔ)：隨著(zhù)我國電子商務(wù)行業(yè)發(fā)展腳步的不斷加快，對客戶(hù)信用的評估也引起了企業(yè)的高度重視，其不僅關(guān)系著(zhù)電子商務(wù)活動(dòng)的順利開(kāi)展，而且對企業(yè)可持續發(fā)展目標的實(shí)現也具有重要意義。

　　在電子商務(wù)飛速發(fā)展的今天，參與到電子商務(wù)活動(dòng)中的人也越來(lái)越多。為了能夠給電子商務(wù)活動(dòng)的開(kāi)展營(yíng)造一個(gè)良好的氛圍，國家相關(guān)部門(mén)對與電子商務(wù)相關(guān)的配套設施和法律法規等進(jìn)行了不斷優(yōu)化與完善，但由于執行力度不夠，從而導致仍有很多問(wèn)題制約了電子商務(wù)的發(fā)展，信用問(wèn)題就是其中最主要的一項。通過(guò)對基于支持向量機集成的電子商務(wù)環(huán)境下客戶(hù)信用評估模型的研究，可以為日后電子商務(wù)客戶(hù)信用的評價(jià)工作提供一定的參考依據，進(jìn)而更好的促進(jìn)我國電子商務(wù)行業(yè)的可持續發(fā)展。

　　1 基于模糊積分支持向量機集成

　　1.1 Bagging個(gè)體生成

　　Bagging個(gè)體生成主要是以可重復采樣為基礎，對訓練集的選取通常是在原始訓練集中隨機抽取產(chǎn)生的，訓練集的規模與原始訓練集相當，訓練集允許重復選取。這樣一來(lái)，同一示例就會(huì )在不同的訓練集中出現，同樣也會(huì )有一部分示例沒(méi)有出現的情況。隨著(zhù)訓練集選取內容的不斷增加，Bagging分類(lèi)器集成的差異度也會(huì )隨之增加，從而促進(jìn)了泛化能力的進(jìn)一步提升。

　　1.2 基于模糊積分的結論生成

　　模糊積分基本理論是基于支持向量機集成的客戶(hù)信用評價(jià)模型的基本理論。所謂模糊積分理論，主要指的是設X為一有限集合，若集合函數g：2X→[0，1]滿(mǎn)足g(X)=1、g(A)≤g(B)，那么我們便將g視為一個(gè)模糊測度。如果g在滿(mǎn)足上述條件的基礎上，還滿(mǎn)足等式g(AUB)=g(A)+g(B)+λg(A)g(B)，那么我們就將其稱(chēng)為測度或Sugeno，記為gλ。在模糊積分理論下，對模糊積分的計算，首先需要明確模糊密度。通常情況下，模糊密度的產(chǎn)生是由專(zhuān)家設定的，也可以通過(guò)訓練數據產(chǎn)生。

　　2 模糊密度確定方法

　　通過(guò)模糊積分理論的介紹我們能夠看出，在基于模糊積分的多分類(lèi)集成中，對于各個(gè)子支持向量分類(lèi)器重要性的模糊密度值的確定是非常重要的。鑒于此，本文采用混淆矩陣的方法來(lái)對評估模型中所涉及的模糊密度值進(jìn)行確定，用子分類(lèi)器各自的訓練集對各個(gè)子分類(lèi)器進(jìn)行測試，進(jìn)而得到與之相對應的混淆矩陣。比如說(shuō)一個(gè)K類(lèi)分類(lèi)問(wèn)題，對于子分類(lèi)器SVCK，其混淆矩陣可以定位為，該矩陣的有效利用可以將順利獲取到各個(gè)支持向量機的模糊密度，為利用模糊積分進(jìn)行支持向量機集成奠定了堅實(shí)的基礎。

　　3 實(shí)證分析

　　3.1 支持向量機集成過(guò)程

　　本次實(shí)驗是在Libsvm軟件上進(jìn)行的，驗證平臺和操作系統分別是256MB內存在A(yíng)MD Athlon 1800+和Windows 2000。具體實(shí)驗過(guò)程共分為6個(gè)步驟：(1)通過(guò)Bagging方法的應用，選取支持向量分類(lèi)器的訓練集，并對其進(jìn)行相應的訓練;(2)根據各分類(lèi)器的訓練結果輸出模型;(3)采取上文介紹的方法對模糊密度進(jìn)行確定;(4)當給定一個(gè)測試樣本，得到各子支持向量分類(lèi)器對該測試樣本的類(lèi)概率輸出;(5)根據計算模糊積分，集成各子支持向量機;(6)確定測試樣本的最終類(lèi)別。通過(guò)上述6個(gè)步驟的合理操作，便可以實(shí)現支持向量機的有效集成。

　　3.2 樣本數據的選擇處理

　　本文所選取的是某電子商務(wù)公司400家客戶(hù)的數據資料，其中322家客戶(hù)的數據資料結果顯示為“狀態(tài)良好”，剩下的78家客戶(hù)的信用狀況則相對較差，很容易出現違約現象。由于這兩類(lèi)客戶(hù)的數據資料存在很大差距，如果直接將其用于SVM的學(xué)習，那么勢必會(huì )降低最優(yōu)分類(lèi)面的準確性。如果將其應用到未來(lái)的預測工作中，必將帶來(lái)較大誤差。鑒于此，為了能夠進(jìn)一步確保樣本數據處理的有效性，對樣本數據進(jìn)行預處理是非常重要的。本次實(shí)驗中所采取的預處理方法主要是在322家狀態(tài)良好的客戶(hù)中抽取80家，與78家信用狀態(tài)差的客戶(hù)構成一個(gè)規模為158家客戶(hù)的樣本集，并在此基礎上將該樣本集分為訓練樣本集和測試樣本集兩個(gè)部分。此外，為了更好的將SVMs的泛化能力充分體現出來(lái)，在確保兩類(lèi)樣本數量相近的前提下，隨機抽取一部分作為訓練樣本集，剩下的一部分則用于檢驗模型的泛化能力。

　　3.3 實(shí)證結果分析

　　本次實(shí)驗在多類(lèi)別分類(lèi)方面采用的是一對一策略，在158個(gè)訓練集上訓練出5個(gè)SVMs。各子支持向量分類(lèi)器使用RBF核函數，每個(gè)SVM通過(guò)10重交叉驗證的方法來(lái)選擇相應的參數，進(jìn)行了10次實(shí)驗。表1給出的是訓練樣本精度，從表1中我們能夠看出，應用該模型可以對客戶(hù)信用進(jìn)行分類(lèi)，并可以達到最佳的精度。由此可見(jiàn)，與傳統的客戶(hù)信用評價(jià)方法相比，基于支持向量機集成的電子商務(wù)環(huán)境下的客戶(hù)信用評估模型具有更好的泛化能力，同時(shí)應用起來(lái)簡(jiǎn)單有效�？梢灶A見(jiàn)，在未來(lái)的時(shí)間里，該評估模型在電子商務(wù)行業(yè)的發(fā)展中，勢必會(huì )得到更加廣泛的應用。

　　4 結語(yǔ)

　　綜上所述，隨著(zhù)我國電子商務(wù)行業(yè)發(fā)展腳步的不斷加快，對客戶(hù)信用的評估也引起了企業(yè)的高度重視，其不僅關(guān)系著(zhù)電子商務(wù)活動(dòng)的順利開(kāi)展，而且對企業(yè)可持續發(fā)展目標的實(shí)現也具有重要意義。從本文的分析我們能夠看出，基于支持向量機集成的電子商務(wù)環(huán)境下客戶(hù)信用的評估模型，不僅簡(jiǎn)單有效，而且具有更好的泛化能力，能夠將客戶(hù)的信用真實(shí)的反映出來(lái)，為電子商務(wù)活動(dòng)的開(kāi)展提供參考。

【談?wù)劵�于支持向量機集成的電子商務(wù)環(huán)境下客戶(hù)信用評估模型】相關(guān)文章：

淺談基于網(wǎng)絡(luò )環(huán)境下的地理教學(xué)03-29

基于QBASIC環(huán)境下的數學(xué)算法教學(xué)11-14

電子商務(wù)環(huán)境下農產(chǎn)品電子商務(wù)環(huán)境下農產(chǎn)品02-27

電子商務(wù)環(huán)境下客戶(hù)忠誠與員工忠誠對企業(yè)獲利的影響分析12-04

電子商務(wù)環(huán)境下的稅收問(wèn)題研究03-28

談?wù)劧嗝襟w網(wǎng)絡(luò )教學(xué)環(huán)境下的英語(yǔ)自主學(xué)習11-14

談?wù)劸W(wǎng)絡(luò )環(huán)境下的會(huì )計審計03-19

電子商務(wù)環(huán)境下國際貿易的發(fā)展03-02

電子商務(wù)環(huán)境下客戶(hù)關(guān)系管理的現狀與提升對策論文（通用6篇）01-16

電子商務(wù)環(huán)境下旅游業(yè)發(fā)展探析03-09