25、人工智能在金融与毕业生就业选择中的应用研究

人工智能在金融与毕业生就业选择中的应用研究

人工智能在金融领域的应用

在金融领域，为了更好地分析数据，尤其是应对金融行业数据快速增长带来的大数据问题，研究人员采用了人工智能方法，通过Azure机器学习（管道）和深度学习（AutoML）应用对加密货币进行数据分析。

管道实验设置

管道实验是通过Azure设计器（管道）完成的，研究人员将数据运行于四种回归算法，分别是提升决策树回归（Boosted Decision Tree Regression）、决策森林回归（Decision Forest Regression）和线性回归（Linear Regression）。这些算法是微软Azure设计器（管道）中编码的机器学习算法，因其与预期实验的兼容性而被特别选用。实验针对比特币之后的前10种加密货币展开，因为在投票集成中遇到的比特币预测问题在Azure ML管道中同样存在。

以以太坊（ETH）为例，不同算法的表现如下表所示：
| 算法 | 平均绝对误差（MAE） | 均方根误差（RMSE） | 决定系数（R2） |
| — | — | — | — |
| 线性回归（LR） | 0.384307 | 0.508023 | 0.518114 |
| 决策森林回归（DFR） | 0.05796 | 0.26192 | 0.87191 |
| 提升决策树回归（BDTR） | 0.121923 | 0.241609 | 0.891006 |

从这些数据可以看出，提升决策树回归在以太坊的预测中表现较好，而线性回归表现最差。

管道结果分析

为了对通过Azure设计器（