发帖
雷达卡
......4 网络模型的估算与优选
基于高度简化的线性模型进行经济、金融系统的各类研究尝试，在多数情况下是困难而不切实际的。
这就需要足够复杂的模型来拟合自变量与因变量之间的内在关系，避免拟合不足。神经网络模型便是进
行复杂系统研究的最理想的工具之一。然而，该类模型复杂的计算过程不仅会让研究者望而却步，也极
大地增加系统底层的开销。神经网络模型的复杂程度和隐藏单元的数目、各神经单元之间的连接数和参
数值的大小有关。隐藏单元越多、连接数越多、参数值越大，在模型越复杂。这样，无论简单的无
隐藏层的GLIM (Generalized LInear Model) 神经网络模型，还是复杂的多隐藏层的MPL (Multi-Layer
Perceptron)、ORBF (Ordinary Radial Basis Function) 或者NRBF (Normalized Radial Basis Function)
模型，都应该在项目研究的考察范围之类。.
4.1 GLIM 模型
在经济、金融市场的研究中，Logistic 模型是最常用的一种工具。该模型的用途为：一、评估，比
如上面所说的银企信用风险的评估；二、预测，在不同的指标变动条件下，预测产生信用风险的概率有
多大；三、判别，类似于预测，即根据logistic 模型，判断客户属于某种类型的概率有多大。Logistic 模
型与线性回归之间存在着诸多相似之处，区别仅在于因变量设计形式不同，从而可以归于同一类模型，
即GLIM 模型。考察GLIM 模型，可以看到：在因变量形式为单一线性的条件下，则为线性回归模型；
在Logistic 分布的前提下，则为Logistic 回归；在Poisson 分布时，就是Poisson 回归，如此等等。在
神经网络分析中，GLIM 模型被描述为一种具有前馈式结构的神经网络设计。这种神经网络模型没有隐
藏层，并且输入与输出变量没有标准化，其结构类似于线性回归......
数据挖掘Report1 18-20.pdf
(318.05 KB)
数据挖掘Report1 21-24.pdf
(318.49 KB)
人大经济论坛数据挖掘培训倒计时2天：
https://bbs.pinggu.org/thread-1503217-1-1.html
人大经济论坛数据处理和分析研究中心：
http://data.pinggu.org
数据挖掘在银企客户识别中的应用-连载（一）：https://bbs.pinggu.org/thread-1491064-1-1.html
数据挖掘在银企客户识别中的应用-连载（二）：https://bbs.pinggu.org/thread-1491714-1-1.html
数据挖掘在银企客户识别中的应用-连载（三）：https://bbs.pinggu.org/thread-1492572-1-1.html
数据挖掘在银企客户识别中的应用-连载（四）：https://bbs.pinggu.org/thread-1493272-1-1.html
数据挖掘在银企客户识别中的应用-连载（五）：https://bbs.pinggu.org/thread-1494898-1-1.html
数据挖掘在银企客户识别中的应用-连载（六）：https://bbs.pinggu.org/thread-1496013-1-1.html
数据挖掘在银企客户识别中的应用-连载（七）：https://bbs.pinggu.org/thread-1497468-1-1.html
数据挖掘在银企客户识别中的应用-连载（八）：https://bbs.pinggu.org/thread-1501124-1-1.html
数据挖掘在银企客户识别中的应用更多精彩内容，敬请期待~~~
京公网安备 11010802022788号
