談?wù)劵谥С窒蛄繖C(jī)集成的電子商務(wù)環(huán)境下客戶信用評(píng)估模型
導(dǎo)語：隨著我國電子商務(wù)行業(yè)發(fā)展腳步的不斷加快，對(duì)客戶信用的評(píng)估也引起了企業(yè)的高度重視，其不僅關(guān)系著電子商務(wù)活動(dòng)的順利開展，而且對(duì)企業(yè)可持續(xù)發(fā)展目標(biāo)的實(shí)現(xiàn)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)中的人也越來越多。為了能夠給電子商務(wù)活動(dòng)的開展?fàn)I造一個(gè)良好的氛圍，國家相關(guān)部門對(duì)與電子商務(wù)相關(guān)的配套設(shè)施和法律法規(guī)等進(jìn)行了不斷優(yōu)化與完善，但由于執(zhí)行力度不夠，從而導(dǎo)致仍有很多問題制約了電子商務(wù)的發(fā)展，信用問題就是其中最主要的一項(xiàng)。通過對(duì)基于支持向量機(jī)集成的電子商務(wù)環(huán)境下客戶信用評(píng)估模型的研究，可以為日后電子商務(wù)客戶信用的評(píng)價(jià)工作提供一定的參考依據(jù)，進(jìn)而更好的促進(jìn)我國電子商務(wù)行業(yè)的可持續(xù)發(fā)展。
1 基于模糊積分支持向量機(jī)集成
1.1 Bagging個(gè)體生成
Bagging個(gè)體生成主要是以可重復(fù)采樣為基礎(chǔ)，對(duì)訓(xùn)練集的選取通常是在原始訓(xùn)練集中隨機(jī)抽取產(chǎn)生的，訓(xùn)練集的規(guī)模與原始訓(xùn)練集相當(dāng)，訓(xùn)練集允許重復(fù)選取。這樣一來，同一示例就會(huì)在不同的訓(xùn)練集中出現(xiàn)，同樣也會(huì)有一部分示例沒有出現(xiàn)的情況。隨著訓(xùn)練集選取內(nèi)容的不斷增加，Bagging分類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(jié)論生成
模糊積分基本理論是基于支持向量機(jī)集成的客戶信用評(píng)價(jià)模型的基本理論。所謂模糊積分理論，主要指的是設(shè)X為一有限集合，若集合函數(shù)g：2X→[0，1]滿足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在滿足上述條件的基礎(chǔ)上，還滿足等式g(AUB)=g(A)+g(B)+λg(A)g(B)，那么我們就將其稱為測度或Sugeno，記為gλ。在模糊積分理論下，對(duì)模糊積分的計(jì)算，首先需要明確模糊密度。通常情況下，模糊密度的產(chǎn)生是由專家設(shè)定的，也可以通過訓(xùn)練數(shù)據(jù)產(chǎn)生。
2 模糊密度確定方法
通過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集成中，對(duì)于各個(gè)子支持向量分類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對(duì)評(píng)估模型中所涉及的模糊密度值進(jìn)行確定，用子分類器各自的訓(xùn)練集對(duì)各個(gè)子分類器進(jìn)行測試，進(jìn)而得到與之相對(duì)應(yīng)的混淆矩陣。比如說一個(gè)K類分類問題，對(duì)于子分類器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(jī)的模糊密度，為利用模糊積分進(jìn)行支持向量機(jī)集成奠定了堅(jiān)實(shí)的基礎(chǔ)。
3 實(shí)證分析
3.1 支持向量機(jī)集成過程
本次實(shí)驗(yàn)是在Libsvm軟件上進(jìn)行的，驗(yàn)證平臺(tái)和操作系統(tǒng)分別是256MB內(nèi)存在AMD Athlon 1800+和Windows 2000。具體實(shí)驗(yàn)過程共分為6個(gè)步驟：(1)通過Bagging方法的應(yīng)用，選取支持向量分類器的訓(xùn)練集，并對(duì)其進(jìn)行相應(yīng)的訓(xùn)練;(2)根據(jù)各分類器的訓(xùn)練結(jié)果輸出模型;(3)采取上文介紹的方法對(duì)模糊密度進(jìn)行確定;(4)當(dāng)給定一個(gè)測試樣本，得到各子支持向量分類器對(duì)該測試樣本的類概率輸出;(5)根據(jù)計(jì)算模糊積分，集成各子支持向量機(jī);(6)確定測試樣本的最終類別。通過上述6個(gè)步驟的合理操作，便可以實(shí)現(xiàn)支持向量機(jī)的有效集成。
3.2 樣本數(shù)據(jù)的選擇處理
本文所選取的是某電子商務(wù)公司400家客戶的數(shù)據(jù)資料，其中322家客戶的數(shù)據(jù)資料結(jié)果顯示為“狀態(tài)良好”，剩下的78家客戶的信用狀況則相對(duì)較差，很容易出現(xiàn)違約現(xiàn)象。由于這兩類客戶的數(shù)據(jù)資料存在很大差距，如果直接將其用于SVM的學(xué)習(xí)，那么勢(shì)必會(huì)降低最優(yōu)分類面的準(zhǔn)確性。如果將其應(yīng)用到未來的預(yù)測工作中，必將帶來較大誤差。鑒于此，為了能夠進(jìn)一步確保樣本數(shù)據(jù)處理的有效性，對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理是非常重要的。本次實(shí)驗(yàn)中所采取的預(yù)處理方法主要是在322家狀態(tài)良好的客戶中抽取80家，與78家信用狀態(tài)差的客戶構(gòu)成一個(gè)規(guī)模為158家客戶的樣本集，并在此基礎(chǔ)上將該樣本集分為訓(xùn)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(xiàn)出來，在確保兩類樣本數(shù)量相近的前提下，隨機(jī)抽取一部分作為訓(xùn)練樣本集，剩下的一部分則用于檢驗(yàn)?zāi)Ｐ偷姆夯芰Α?/p>
3.3 實(shí)證結(jié)果分析
本次實(shí)驗(yàn)在多類別分類方面采用的是一對(duì)一策略，在158個(gè)訓(xùn)練集上訓(xùn)練出5個(gè)SVMs。各子支持向量分類器使用RBF核函數(shù)，每個(gè)SVM通過10重交叉驗(yàn)證的方法來選擇相應(yīng)的參數(shù)，進(jìn)行了10次實(shí)驗(yàn)。表1給出的是訓(xùn)練樣本精度，從表1中我們能夠看出，應(yīng)用該模型可以對(duì)客戶信用進(jìn)行分類，并可以達(dá)到最佳的精度。由此可見，與傳統(tǒng)的客戶信用評(píng)價(jià)方法相比，基于支持向量機(jī)集成的電子商務(wù)環(huán)境下的客戶信用評(píng)估模型具有更好的泛化能力，同時(shí)應(yīng)用起來簡單有效。可以預(yù)見，在未來的時(shí)間里，該評(píng)估模型在電子商務(wù)行業(yè)的發(fā)展中，勢(shì)必會(huì)得到更加廣泛的應(yīng)用。
4 結(jié)語
綜上所述，隨著我國電子商務(wù)行業(yè)發(fā)展腳步的不斷加快，對(duì)客戶信用的評(píng)估也引起了企業(yè)的高度重視，其不僅關(guān)系著電子商務(wù)活動(dòng)的順利開展，而且對(duì)企業(yè)可持續(xù)發(fā)展目標(biāo)的實(shí)現(xiàn)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(jī)集成的電子商務(wù)環(huán)境下客戶信用的評(píng)估模型，不僅簡單有效，而且具有更好的泛化能力，能夠?qū)⒖蛻舻男庞谜鎸?shí)的反映出來，為電子商務(wù)活動(dòng)的開展提供參考。
【談?wù)劵谥С窒蛄繖C(jī)集成的電子商務(wù)環(huán)境下客戶信用評(píng)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(shù)學(xué)算法教學(xué)11-14
電子商務(wù)環(huán)境下農(nóng)產(chǎn)品電子商務(wù)環(huán)境下農(nóng)產(chǎn)品02-27
電子商務(wù)環(huán)境下客戶忠誠與員工忠誠對(duì)企業(yè)獲利的影響分析12-04
談?wù)劧嗝襟w網(wǎng)絡(luò)教學(xué)環(huán)境下的英語自主學(xué)習(xí)11-14
談?wù)劸W(wǎng)絡(luò)環(huán)境下的會(huì)計(jì)審計(jì)03-19
電子商務(wù)環(huán)境下國際貿(mào)易的發(fā)展03-02
電子商務(wù)環(huán)境下客戶關(guān)系管理的現(xiàn)狀與提升對(duì)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
- 相關(guān)推薦