导读:本文包含了风险代价论文开题报告文献综述及选题提纲参考文献，主要关键词:错分代价,算法,手机用户,阈值
风险代价论文文献综述
王超发,孙静春[1]（2018）在《基于错分代价的用户换手机的分类器阈值和预期风险研究》一文中研究指出传统的分类算法将正确预测和错误预测平等看待,忽略了人的主观因素,不能很好地对错误率进行控制。本研究基于某移动通讯公司西安分公司的用户消费数据,用引入错分代价后的Logistic模型研究了预测用户换手机的阈值及预期风险,研究发现:引入错分代价后的Logistic模型具有较好的分类效果;不同的错分代价对应不同的最优阈值,但预测准确率基本一致;用传统的阈值0.5进行分类不但降低了预测准确率还增加了预期风险;随着正负类别间的分类代价差异越大,分类器预测所面临的预期风险会上升;最优分类器的取值、最优阈值和预期风险叁者之间具有动态平衡和相互制约关系。因而,该结论不但为数据挖掘人员提供多维度的分析框架,而且也为制造商和销售商提供决策参考。(本文来源于《管理评论》期刊2018年12期）
马克·洛克莫尔[2]（2017）在《恐惧的代价:乌干达北部暴力风险的福利影响》一文中研究指出虽然大家普遍认为不安全感所带来的影响是很大的,但是这些影响从来没有被直接衡量过。先前对冲突损失的估计也只是基于暴力和不安全感共同造成的影响而得出的。区别暴力和不安全感的影响对于理解损失的起源和政策设计很重要。利用暴力的时空变化,本文创造了衡量不安全感影响的空间分散措施,展现了暴力风险和经历造成的相对因果贡献值的初步估计。本文还提供了基于有关冲突损失的跨国文献而估算的第一手微观数据。(本文来源于《世界银行经济评论》期刊2017年03期）
马鹏举,王胤,余龙,李传斌,邝砾[3]（2018）在《基于代价敏感决策树的P2P网络借贷风险评估》一文中研究指出为了提高P2P网络借贷平台的风险控制能力,提出一种基于多特征融合的、代价敏感决策树的网络借贷项目风险评估方法。该方法首先从互联网借贷平台上提供的借款人信息中构建借款人信用特征,然后综合借款人的历史借款信息、个人信用特征及项目特征,通过构建ROC曲线下面积最大化、互信息最小化为目标的特征选择算法,选择出与项目风险评估最相关且冗余性最少的特征集合,再通过改进的基于代价敏感的决策树算法对借款项目进行风险评估。实验表明,该方法与相关文献中提到的方法以及一些传统分类器相比,在P2P网络借贷风险评估上有更优的表现。(本文来源于《计算机集成制造系统》期刊2018年07期）
陈家俊,苗夺谦[4]（2018）在《一种决策风险代价与属性偏好融合的适应性决策树算法》一文中研究指出针对现有决策树模型在分类过程中不能充分考虑决策精度、决策者的属性偏好以及决策风险因素的影响问题,提出一种决策风险代价与属性偏好融合的适应性决策树算法.算法结合决策粗糙集和代价敏感学习问题,引入用户偏好程度和决策风险损失函数的概念,根据贝叶斯最小风险决策原则,计算决策风险代价,通过构建适应度函数作为启发式函数选择划分属性,从而建立决策树模型.在决策树构建过程中,使用置信因子概念对决策树进行剪枝,以防生成的决策树过于庞大.实验结果表明该决策树算法是有效的,能充分考虑决策者的属性偏好和因决策的不确定性产生的误分代价,实验参数的设置可以增强算法的适应性,满足不同应用领域的需求.(本文来源于《小型微型计算机系统》期刊2018年06期）
李欣欣[5]（2018）在《基于代价敏感性随机森林与支持向量机的肝硬化并发肝性脑病风险预测模型研究》一文中研究指出目的:肝性脑病是肝硬化最常见的并发症之一,临床表现复杂多变、治愈率低、预后差,已成为导致肝硬化患者生存率低的重要原因,因此针对肝硬化患者构建肝性脑病风险预测模型显得极为重要。同时,肝硬化并发肝性脑病数据具有类别非均衡的特征,传统统计学方法与机器学习算法存在着无法有效识别少数类,预测性能欠佳的问题。因此,本课题针对上述问题,采用基于代价敏感的随机森林与支持向量机算法构建肝硬化并发肝性脑病风险预测模型,以提高对肝硬化并发肝性脑病的预测效能,为临床医生识别肝性脑病高危人群,选择合理的治疗措施提供依据,为其他疾病风险预测研究提供方法学借鉴。方法:采用2010年1月至2017年4月山西医科大学第二附属医院消化内科确诊为肝硬化住院患者的病历资料,按照纳入排除标准整理数据资料后获得1256例有效数据。利用单因素分析及基于随机森林的受试者工作特征曲线下面积算法(The area under the receiver operating characteristic curve of the random forest,AUC-RF)的自变量筛选方法选出与肝硬化并发肝性脑病相关的因素。然后以筛选出的变量作为输入变量,是否并发肝性脑病作为结局变量,构建Logistic回归、加权随机森林(Weighted Random Forest,WRF)和基于代价敏感的支持向量机(Cost Sensitive Support Vector Machine,CS-SVM)分类预测模型,探讨其分类预测性能,同时与传统随机森林、支持向量机分类预测模型的识别能力进行比较。最后,采用Logistic回归与WRF算法实现对肝硬化患者并发肝性脑病的概率预测。结果:1、通过单因素检验与基于AUC-RF自变量筛选方法,筛选出与肝硬化并发肝性脑病相关的20个变量,分别为:便秘、浮肿、电解质紊乱、上消化道出血、感染、利尿剂、白细胞、红细胞、血红蛋白、中性粒细胞百分比、谷草转氨酶、钠、氯、白蛋白、总蛋白、直接胆红素、间接胆红素、凝血酶原时间、纤维蛋白原和活化部分凝血活酶时间。将其作为输入变量引入到Logistic回归、WRF和CS-SVM算法,构建出肝硬化并发肝性脑病风险预测模型。2、分类模型预测性能评价:Logistic回归分类预测模型评价指标的中位数分别为:灵敏度70.00%,特异度83.38%,准确度82.54%,G-means 0.7679,F-measure 0.3688,AUC值0.7721;WRF的分类预测模型评价指标中位数分别为:灵敏度70.00%,特异度85.82%,准确度84.69%,G-means 0.7739,F-measure 0.3930,AUC值0.7778;CS-SVM分类预测模型评价指标中位数分别为:灵敏度71.66%,特异度82.99%,准确度82.06%,G-means 0.7657,F-measure 0.3560,AUC值0.7688。3、分类模型预测性能比较:在同一数据集上构建上述叁种模型及传统随机森林、支持向量机分类预测模型,比较各指标显示:WRF、CS-SVM与Logistic回归模型对并发肝性脑病患者的识别能力高于传统机器学习模型(灵敏度高于70.00%),对未并发肝性脑病患者的识别能力略低于传统模型(特异度约为85.00%),模型综合评价指标高于其他模型(G-means高于0.8000,F-measure高于0.4000)。WRF的叁个指标Gmeans(0.8221)、F-measure(0.4646)以及AUC(0.8241)均优于Logistic回归与CS-SVM模型。4、概率预测模型:WRF不仅可用于构建肝硬化并发肝性脑病分类预测模型,同时也可较好地预测患者发病概率。结论:基于代价敏感的随机森林与支持向量机算法可以弥补传统机器学习在非均衡数据分类问题中的不足,提高模型对于此类数据的分类预测性能。在进行肝硬化并发肝性脑病分类预测时,基于代价敏感的随机森林与支持向量机算法的预测性能高于其他模型,而且加权随机森林可提供患者的发病概率,使得肝性脑病发生概率的估计更为直观与高效。本文采用WRF与CS-SVM建立的分类与概率预测模型可帮助临床医生识别肝性脑病高危患者,对延长肝性脑病患者的生存期,提高其生存质量具有重要的现实意义。(本文来源于《山西医科大学》期刊2018-06-15）
谭伟春[6]（2017）在《强化责任担当 提升本质安全》一文中研究指出“党中央的精神和党组要求有没有牢记在心？安全生产责任制落实到位没有？重大风险真正识别了没有？安全隐患彻底消除了没有？安全事故能不能真正杜绝？”9月25日，集团公司总经理戴厚良到驻武汉企业检查安全环保等工作时，提出“五问”。“五问”是一把尺子，画出一条安全(本文来源于《中国石化报》期刊2017-11-21）
冯时[7]（2016）在《基于代价敏感贝叶斯分类的互联网广告客户风险预测》一文中研究指出随着社会经济的高速发展,互联网产业的兴起,网络购物已经成为人们日常生活中密不可分的一部分。由此衍生出来的广告产业,已经是一个千亿规模的市场。在这个市场中良莠不齐,存在着大量的劣质商品和广告。对于企业来说,如果将这些广告发布出去,将会面临巨大的法律风险,而广告数量巨大,通过专人审查的方式显然是不可能的。所以通过数学模型的方式进行客户的甄别,进行广告风险的预防显得十分必要。但是由于互联网广告市场发展的时间非常短,增长又非常快,虽然各个企业都在自己的经营中有相应的方法和手段,却基本没有学术方面的总结和论证。据我所知,国内外有关该课题的研究几乎很少。按照本人在阿里巴巴广告部门工作9年的工作经验,对比相应的统计学建模方法,互联网广告客户的风险在很大程度上和金融企业的信用风险评级非常类似。本文实验数据为国内某大型互联网企业广告客户的数据的抽样,在数据预处理过程中,通过多种方法的对比,运用极差正规化进行数据离散化。分类问题中必然存在错分的可能,不同错分情况产生的代价损失也不同。在广告客户风险评级问题中,将“正常”客户误判为“违规”客户和将“违规”客户误判为“正常”客户产生的代价损失也大不相同。后者带来的损失风险是不可估量的。本文引入代价敏感概念,构造代价函数和风险函数。通过大量实验确定代价函数的最优参数,分别建立logostic回归模型、代价敏感朴素贝叶斯模型和朴素贝叶斯模型。实证结果表明,在不明显降低正确率的情况下,代价敏感朴素贝叶斯模型能较大程度降低“违规”客户误判为“正常”客户的概率。是一种适用于互联网广告客户风险预测的模型。(本文来源于《浙江大学》期刊2016-05-09）
田鹤,梁艳[8]（2016）在《面向传播代价的软件加权网络传播效率的风险度量》一文中研究指出软件加权网络中的传播代价特征参数对信息传播效率有很大影响。软件的易变性影响着软件的可维护性,而传播代价又是衡量软件易变性的一个重要指标。文章把软件结构和网络拓扑特征结合起来,计算各个节点的传播代价并以此数据来分析软件结构内各类模块之间的信息传播效率,进而度量软件结构的风险传播效率。(本文来源于《辽宁科技学院学报》期刊2016年02期）
李丽红,李言,刘保相[9]（2016）在《叁支决策中不承诺决策的转化代价与风险控制》一文中研究指出叁支决策将决策域分为接受域、拒绝域和不承诺域3个部分,是二支决策理论的扩展,取得了广泛的应用。由于叁支决策的不承诺型决策结果也要付出代价,因此首先对不承诺型决策进行风险分析,其次研究构建不承诺型决策向二支决策的转化流程,再次给出基于最小转化代价的不承诺型决策的风险控制模型,最后用实例分析证明了模型的有效性。(本文来源于《计算机科学》期刊2016年01期）
段薇,路向阳[10]（2015）在《基于代价敏感支持向量机的银行信用风险评估模型》一文中研究指出支持向量机在处理有限样本、非线性及高维模式识别问题有特殊的优势,但标准的支持向量机不具备代价敏感性,不能直接用于对银行贷款风险评估这种不平衡数据集进行分类。本文提出一种利用熵值法来构筑代价敏感支持向量机的方法,实验结果表明该方法对银行信用风险评估具有较好的效果。(本文来源于《江西科技师范大学学报》期刊2015年06期）
风险代价论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
虽然大家普遍认为不安全感所带来的影响是很大的,但是这些影响从来没有被直接衡量过。先前对冲突损失的估计也只是基于暴力和不安全感共同造成的影响而得出的。区别暴力和不安全感的影响对于理解损失的起源和政策设计很重要。利用暴力的时空变化,本文创造了衡量不安全感影响的空间分散措施,展现了暴力风险和经历造成的相对因果贡献值的初步估计。本文还提供了基于有关冲突损失的跨国文献而估算的第一手微观数据。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
风险代价论文参考文献
[1].王超发,孙静春.基于错分代价的用户换手机的分类器阈值和预期风险研究[J].管理评论.2018
[2].马克·洛克莫尔.恐惧的代价:乌干达北部暴力风险的福利影响[J].世界银行经济评论.2017
[3].马鹏举,王胤,余龙,李传斌,邝砾.基于代价敏感决策树的P2P网络借贷风险评估[J].计算机集成制造系统.2018
[4].陈家俊,苗夺谦.一种决策风险代价与属性偏好融合的适应性决策树算法[J].小型微型计算机系统.2018
[5].李欣欣.基于代价敏感性随机森林与支持向量机的肝硬化并发肝性脑病风险预测模型研究[D].山西医科大学.2018
[6].谭伟春.强化责任担当提升本质安全[N].中国石化报.2017
[7].冯时.基于代价敏感贝叶斯分类的互联网广告客户风险预测[D].浙江大学.2016
[8].田鹤,梁艳.面向传播代价的软件加权网络传播效率的风险度量[J].辽宁科技学院学报.2016
[9].李丽红,李言,刘保相.叁支决策中不承诺决策的转化代价与风险控制[J].计算机科学.2016
[10].段薇,路向阳.基于代价敏感支持向量机的银行信用风险评估模型[J].江西科技师范大学学报.2015