随机森林、支持向量机SVC、BP神经网络、遗传算法、粒子群优化参数

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/weixin_41036097/article/details/87856679

现诚邀有能力者帮我完成以下操作,本人会考虑对提供帮助这给予补偿

实现方式为Python或R软件
操作一:利用随机森林筛选重要性变量并建立随机森林模型
(1)所用到的数据中有57个变量,需要利用随机森林筛选出重要性变量,剔除对预测结果影响较小的冗余变量;

(2)利用步骤(1)中剔除冗余变量的2007-2016年的数据建立随机森林模型,预测2017年第一季度、2017年第二季度、2017年第三季度、2017年第四季度和2018年第一季度的借款人违约率。并分别将真实结果与预测结果比较,计算出预测精度和误差;

(注:所用到的数据本人会提供)

操作二:建立支持向量机(SVC)模型,并利用粒子群(PSO)优化模型参数

(1)利用剔除冗余变量的2007-2016年的数据建立SVC模型,预测2017年第一季度、2017年第二季度、2017年第三季度、2017年第四季度和2018年第一季度的借款人违约率,并分别将真实结果与预测结果比较,计算出预测精度和误差;

(2)利用粒子群优化SVC模型的参数;并列出优化后的各参数值;

(3)利用优化后的SVC模型预测2017年第一季度、2017年第二季度、2017年第三季度、2017年第四季度和2018年第一季度的借款人违约率。并分别将真实结果与预测结果比较,计算出预测精度和误差;;

操作三:建立BP神经网络模型,并利用粒子群(PSO)优化模型参数

(1)利用剔除冗余变量的2007-2016年第四季度数据建立BP神经网络模型,预测2017年第一季度、2017年第二季度、2017年第三季度、2017年第四季度和2018年第一季度的借款人违约率;并分别将真实结果与预测结果比较,计算出预测精度和误差;;

(2)利用粒子群优化BP神经网络模型参数;并列出优化后的各参数值;

(3)利用优化后的SVC模型预测2017年第一季度、2017年第二季度、2017年第三季度、2017年第四季度和2018年第一季度的借款人违约率。并分别将真实结果与预测结果比较,计算出预测精度和误差;

操作四:利用遗传算法全局寻优,建立SVC与BP神经网络的加权组合模型

(1)对剔除冗余变量的2007-2016年第四季度数据,利用遗传算法全局寻优,确定最佳组合权重(需将确定的组合权重列出),建立随机森林模型、PSO-SVC 与PSO-BP神经网络三者的加权组合模型,预测2017年第一季度、2017年第二季度、2017年第三季度、2017年第四季度和2018年第一季度的借款人违约率;并分别将真实结果与预测结果比较,计算出预测精度和误差;

展开阅读全文

没有更多推荐了,返回首页