7、机器学习视角下的破产预测模型综述

机器学习视角下的破产预测模型综述

1. 特征选择预处理

在训练之前，可考虑特征（或变量）选择步骤。特征选择是从输入空间中选择“最优”特征子集，该子集能实现最高的准确率结果。减少特征数量的特征选择过程，不仅能降低训练和识别成本，还能提高分类准确率。

2. 分类器类型

2.1 单分类器

单分类器可用于解决破产预测等模式分类问题，机器学习和人工智能技术常被用作单分类器，且相关研究表明其性能优于传统统计方法。常见的单分类器包括：
- 神经网络（Neural Networks） ：受人类大脑中神经元信息处理单元的启发，最常用的是多层感知器（MLP）。MLP 网络由输入层、一个或多个隐藏层和输出层组成，各层之间的连接有标量权重，训练时使用反向传播学习算法调整权重。
- 支持向量机（Support Vector Machines） ：由 Vapnik 引入，训练时通过将输入特征空间映射到新的高维特征空间，基于最优分离超平面生成二分类器，靠近超平面的训练点为支持向量，它们决定超平面的边界和决策面。
- 决策树（Decision Trees） ：通过将实例在树中排序到合适的叶节点进行分类，每个叶节点代表一个分类，每个节点代表实例的某个属性，每个分支对应该属性的一个可能值。著名的决策树构建程序是 CART。
- 遗传算法（Genetic Algorithms） ：源于自然生物的自适应生存概念，通过计算机程序实现自然选择。算法从随机生成大量候选程序开始，使用适应度度量评估每个程序的性能