检索结果-维普期刊中文期刊服务平台

基于L1惩罚Logit模型的P2P网络借贷信用违约识别与预测被引量：11: 1; 作者阮素梅周泽林《财贸研究》 CSSCI 北大核心 2018年第2期54-63,共10页; 利用L1惩罚Logit模型,实证检验P2P网贷信用违约的关键影响因素;并利用混淆矩阵与ROC曲线等分类评价方法,检验模型的违约预测效果。研究发现:L1惩罚Logit模型具有很好的变量选择功能,可以有效地识别影响信用违约的关键因素,降低管理者的... 展开更多; 关键词 P2P网络借贷信用风险 l1惩罚logit模型; 在线阅读下载PDF 职称材料

带状结构的高斯图模型嵌套惩罚估计被引量：1: 2; 作者李凡群张新生《统计与决策》 CSSCI 北大核心 2018年第23期66-69,共4页; 高斯图模型的精确矩阵的诸元素可以利用系列线性回归模型进行解释。在具有带状结构的高斯图模型场合下,文章对诸线性回归系数施加嵌套的l1惩罚,得到精确矩阵的改进的嵌套Lasso估计。通过局部平方近似及牛顿迭代算法,能很方便得到估计结... 展开更多; 关键词高维图模型协方差矩阵精确矩阵嵌套l1惩罚 lasso估计; 在线阅读下载PDF 职称材料

基于惩罚高斯混合模型的微阵列基因表达数据分析: 3; 作者石玉《中山大学学报（自然科学版）》 CAS CSCD 北大核心 2009年第3期1-7,共7页; 随着现代生物技术的发展,基于基因表达数据的肿瘤分型诊断已成为DNA微阵列的重要应用领域。提出一种基于基因表达数据的肿瘤分型诊断新方法,并在理论上给出模型解释。该方法通过对高斯混合模型加上一个L1惩罚实现了肿瘤分类和信息基因... 展开更多; 关键词微阵列数据肿瘤诊断基因选择混合高斯模型 l1惩罚; 在线阅读下载PDF 职称材料

图模型在彩色纹理分类中的应用被引量：3: 4; 作者杨关张向东 +2 位作者冯国灿邹小林刘志勇《计算机科学》 CSCD 北大核心 2011年第10期273-277,共5页; 纹理分析中往往将彩色图像转换为灰度图以降低计算复杂度,这样就忽略了颜色信息。而利用主成分分析的方法来降维彩色纹理,则可以尽可能地保留颜色和纹理信息。高斯图模型(Gaussian Graphical Models,GGM)可以很好地描述有交互作用的高... 展开更多; 关键词高斯图模型变量选择 l1-惩罚正则化彩色纹理分类; 在线阅读下载PDF 职称材料

题名基于L1惩罚Logit模型的P2P网络借贷信用违约识别与预测被引量：11: 1; 作者阮素梅周泽林; 机构安徽财经大学金融学院安徽财经大学安徽经济社会发展研究院; 出处《财贸研究》 CSSCI 北大核心 2018年第2期54-63,共10页; 基金国家自然科学基金项目"面向交易和服务过程的民营中小型银行经营模式及相关政策研究"(71403001); 文摘利用L1惩罚Logit模型,实证检验P2P网贷信用违约的关键影响因素;并利用混淆矩阵与ROC曲线等分类评价方法,检验模型的违约预测效果。研究发现:L1惩罚Logit模型具有很好的变量选择功能,可以有效地识别影响信用违约的关键因素,降低管理者的监管成本;L1惩罚Logit模型能够获得比普通Logit模型、支持向量机等更好的预测效果,既能够从总体上实现对信用违约状态的准确预测,又能够细致分析关键影响因素对违约概率造成的影响,有助于预测和控制信用风险的发生。; 关键词 P2P网络借贷信用风险 l1惩罚logit模型; Keywords online P2P lending credit default risk l1 penalized logit model; 分类号 F832.479 [经济管理—金融学]; 在线阅读下载PDF 职称材料

题名带状结构的高斯图模型嵌套惩罚估计被引量：1: 2; 作者李凡群张新生; 机构安徽财经大学统计与应用数学学院复旦大学管理学院; 出处《统计与决策》 CSSCI 北大核心 2018年第23期66-69,共4页; 基金国家自然科学基金资助项目(11571080) 安徽财经大学示范课程项目(acsfkc201570) 安徽财经大学教研项目(acjyyb2017123); 文摘高斯图模型的精确矩阵的诸元素可以利用系列线性回归模型进行解释。在具有带状结构的高斯图模型场合下,文章对诸线性回归系数施加嵌套的l1惩罚,得到精确矩阵的改进的嵌套Lasso估计。通过局部平方近似及牛顿迭代算法,能很方便得到估计结果。数值模拟结果表明精确矩阵的嵌套Lasso估计提高了估计速度和估计精度。; 关键词高维图模型协方差矩阵精确矩阵嵌套l1惩罚 lasso估计; Keywords high-dimensional graphical model covariance matrix precision matrix nested l1 penalty lasso estimation; 分类号 O212.4 [理学—概率论与数理统计]; 在线阅读下载PDF 职称材料

题名基于惩罚高斯混合模型的微阵列基因表达数据分析: 3; 作者石玉; 机构中山大学数学与计算科学学院; 出处《中山大学学报（自然科学版）》 CAS CSCD 北大核心 2009年第3期1-7,共7页; 基金国家自然科学基金资助项目(60575004); 文摘随着现代生物技术的发展,基于基因表达数据的肿瘤分型诊断已成为DNA微阵列的重要应用领域。提出一种基于基因表达数据的肿瘤分型诊断新方法,并在理论上给出模型解释。该方法通过对高斯混合模型加上一个L1惩罚实现了肿瘤分类和信息基因选择的有机结合,从而用较少的变量达到更高的识别率。实验结果显示,无论是在模拟数据中还是五个微阵列数据集中,提出的方法都是高效稳定的。; 关键词微阵列数据肿瘤诊断基因选择混合高斯模型 l1惩罚; Keywords Microarray Cancer diagnosis Gene selection Gaussian mixture model l1 penalty; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名图模型在彩色纹理分类中的应用被引量：3: 4; 作者杨关张向东冯国灿邹小林刘志勇; 机构中原工学院计算机学院中山大学数学与计算科学学院广东省计算科学重点实验室河南省理工学校; 出处《计算机科学》 CSCD 北大核心 2011年第10期273-277,共5页; 基金国家自然科学基金项目(60975083 U0835005)资助; 文摘纹理分析中往往将彩色图像转换为灰度图以降低计算复杂度,这样就忽略了颜色信息。而利用主成分分析的方法来降维彩色纹理,则可以尽可能地保留颜色和纹理信息。高斯图模型(Gaussian Graphical Models,GGM)可以很好地描述有交互作用的高维数据,因此可用来建立图像纹理模型。根据局部马尔可夫性和高斯变量的条件回归之间的关系,可将复杂的模型选择转变为较简单的变量选择。通过惩罚正则化方法,其邻域选择和参数估计可同步进行,然后提取纹理特征进行彩色纹理分类,实验显示其具有很好的效果。因此,结合主成分分析和高斯图模型来构建彩色纹理模型有很好的发展前景。; 关键词高斯图模型变量选择 l1-惩罚正则化彩色纹理分类; Keywords Gaussian graphical models Variables selection l1-penalty regularization Color texture classification; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于L1惩罚Logit模型的P2P网络借贷信用违约识别与预测	阮素梅周泽林	《财贸研究》 CSSCI 北大核心	2018	11	在线阅读下载PDF 职称材料
2	带状结构的高斯图模型嵌套惩罚估计	李凡群张新生	《统计与决策》 CSSCI 北大核心	2018	1	在线阅读下载PDF 职称材料
3	基于惩罚高斯混合模型的微阵列基因表达数据分析	石玉	《中山大学学报（自然科学版）》 CAS CSCD 北大核心	2009	0	在线阅读下载PDF 职称材料
4	图模型在彩色纹理分类中的应用	杨关张向东冯国灿邹小林刘志勇	《计算机科学》 CSCD 北大核心	2011	3	在线阅读下载PDF 职称材料