一种新的关联规则抽样算法

针对目前经典的关联规则挖掘Apriori算法需对数据库多次扫描费时多计算量大,而抽样扫描会造成挖掘精确度下降等问题,采用控制样本频繁项目集的方法,利用频繁1项集进行抽样处理,对关联规则挖掘的抽样操作和精度控制进行研究,提出了基于抽样操作的关联规则挖掘算法——HAC算法。理论分析及性能试验结果表明:HAC算法能够有效缩减数据库规模,至少少扫描数据库1次,提高了关联规则挖掘的效率,同时其计算精度不受影响。     

基于支持向量机的集团信用风险预警研究

针对我国现有信用风险预警模型普遍以单一企业为样本,无法反映集团信用风险状况的问题,采用支持向量机算法,建立了企业集团信用风险预警指标体系,利用全国大额贷款和授信企业集团客户样本数据进行训练,提出了基于支持向量机的集团信用风险预警模型。理论分析及预警数值试验结果表明：基于支持向量机的集团信用风险预警模型与传统的基于逻辑回归算法预警模型相比,具有更好的泛化能力;在相同预警敏感水平下,采用前者预警的假负率为16．67％,与后者的23．45％相比具有更高的预警精度。基于支持向量机的集团信用风险预警模型可较好的应用于企业集团信用风险预警领域中。