基于邏輯回歸的企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類方法研究*

賴 紅 清

(佛山職業(yè)技術學院 工商管理學院商貿系,廣東 佛山 528200)

0 引 言

隨著經濟的發(fā)展，需要對企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)進行優(yōu)化聚類分析，通過提取企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的統(tǒng)計特征量，結合大數(shù)據(jù)信息處理和數(shù)據(jù)融合方法，將其進行優(yōu)化聚類分析，以提高企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的模糊聚類能力[1]。對企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的分類是實現(xiàn)企業(yè)金融管理優(yōu)化的關鍵，相關的數(shù)據(jù)分類研究受到人們的極大關注[2]。對企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的聚類分析主要采用模糊聚類方法，結合統(tǒng)計數(shù)據(jù)分析，進行數(shù)據(jù)分類處理，但傳統(tǒng)方法模糊度較大，分類的準確性不好。針對上述問題，提出基于邏輯回歸的企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類方法，采用邏輯回歸分析方法將數(shù)據(jù)進行融合聚類處理，結合模糊C均值聚類方法，實現(xiàn)數(shù)據(jù)分類的自適應尋優(yōu)和收斂性控制。最后進行仿真實驗分析，展示了該方法在提高企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類能力方面的優(yōu)越性能。

1 企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分布模型及特征分析

1.1 分布模型

為了實現(xiàn)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類，采用自適應無監(jiān)督學習方法進行統(tǒng)計融合處理。首先構建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)模糊決策樹模型，采用相空間重構方法進行模糊特征重構[3]，采用一個四元組(Ei,Ej,d,t)來表示特征分布權系數(shù)，其中Ei，Ej是企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權重的實體集(即節(jié)點i和j)，d為特征權重的交互性統(tǒng)計數(shù)據(jù)，t為企業(yè)二次創(chuàng)業(yè)過程中的業(yè)績關聯(lián)數(shù)據(jù)特征集，采用企業(yè)內部代理方法進行統(tǒng)計特征分析，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的量化集為

x(t)=(x0(t),x1(t),…,xk-1(t))T

(1)

采用一個1×N維的分布陣列進行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征重構，確定模糊時間窗口值N，構建多維信息熵分布矩陣。采用激勵機制建立企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的特征權重分析模型，建立窄時域窗TLX，TLY，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權重的模糊特征提取模型為

(2)

式(2)中，Dx(x,y)表示特征提取最大范圍值，當提范圍值小于等于窗口值N時，進行特征權重的模糊特征提取；當超出窗口值N時，不進行提取。

設企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權重的模板特征分布為m，構建Probit多元回歸分析模型[4]，得到數(shù)據(jù)的有效性控制指數(shù)為Nj*，在進行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權重回歸分析的基礎上，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的統(tǒng)計回歸分布為

(3)

根據(jù)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權重進行自適應分類，構建融資相關性決策模型，提高對數(shù)據(jù)的分類和統(tǒng)計決策能力。

1.2 模糊特征分析

構建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分布的不規(guī)則空間聚類模型，采用相空間結構重組方法進行模糊特征重構，采用決策樹模型進行統(tǒng)計融合分類[5]，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的量化特征分布集為D,D={Si,j(t),Ti,j(t),Ui,j(t)}，其中Si,j(t)表示特征權重的重復因素，Ti,j(t)表示融合分類的輸出量因素，Ui,j(t)表示相似度(相關性)模型，對企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權重關聯(lián)規(guī)則特征量進行量化回歸分析，定義為

(4)

Ti,j(t)表示對企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權重檢測的相關性特征分布集，計算表達為

(5)

提取企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的關聯(lián)規(guī)則特征量，根據(jù)譜聚類結果，進行自適應篩選和優(yōu)化決策，建立關聯(lián)規(guī)則模型，輸出為

Ui,j(t)=exp[-b[zi(t)-zj(t)]2]

(6)

式(6)中，pi,j(t)為統(tǒng)計融合分類的互信息量；spi,j(t)為特征權重檢測的分叉度重復量；Δp(t)為增益系數(shù)；zi(t)，zj(t)表示為模糊度函數(shù)，由此建立企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的特征提取和大數(shù)據(jù)融合聚類模型，采用模糊特征分析方法，進行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的模糊聚類處理，提高數(shù)據(jù)的分類挖掘和識別能力[6]。

2 企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類優(yōu)化

2.1 金融數(shù)據(jù)的關聯(lián)規(guī)則特征提取

在構建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)優(yōu)化分類模型中，采用融資決策模型，進行融合調度，提取關聯(lián)規(guī)則特征集進行金融數(shù)據(jù)的自適應分類，分析企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的離散空間調度模型，采用模糊控制方法[7]，進行融分段樣本檢驗，得到自適應加權權重為

ωj=(ω0j,ω1j,…,ω(k-1)j)T

(7)

建立企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的模糊聚類模型，進行特征分析，得到數(shù)據(jù)序列的統(tǒng)計特征序列為

(8)

式(8)中，k為企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的聚類空間分布權重。采用離散序列調度方法，構建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的特征匹配模型，根據(jù)多分類器融合結果進行信息分類，實現(xiàn)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的統(tǒng)計特征檢測，得到檢測統(tǒng)計量為

(9)

(10)

構建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計分布有限數(shù)據(jù)集模型，得到關聯(lián)特征為

(11)

(12)

在分散子空間中進行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)實時檢測，實現(xiàn)關聯(lián)規(guī)則特征提取[8]。

2.2 數(shù)據(jù)模糊C均值聚類和優(yōu)化分類

(13)

采用多隊列調度方法，建立企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的決策調度模型，得到特征訓練集si={xj:d(xj,yi)≤d(xj,yl)}，企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的顯著性特征權重為

MinWH=min{w(cc),h(cc)}

(14)

(15)

建立模糊度核函數(shù)模型，采用相空間結構重組方法，得到Nj*的幾何鄰域NEj*(t)，企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計融合分類的模糊聚類中心為

U={μik|i=1,2,…,c；k=1,2,…,n}

(16)

在關聯(lián)規(guī)則聚類下，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的模糊調度函數(shù)為

(17)

采用空間網格聚類方法得到優(yōu)化的企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權重聚類中心為

(18)

(19)

式(18)(19)中，m為企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計融合分類的適應度函數(shù)，(dik)2為樣本xk與特征聚類中心與樣本Vi的測度距離。結合模糊C均值聚類方法，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)主成分分布為

(20)

構建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)模糊聚類的回歸分析模型，根據(jù)特征分布進行線性結構重組，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的多元決策模型，對其進行分布式檢測和自適應聚類分析，得到相關性概率密度特征為

(21)

在關聯(lián)規(guī)則特征分布集中，企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類的互信息量為

(22)

建立企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的特征提取和大數(shù)據(jù)融合聚類分析模型，實現(xiàn)特征權重分類[10]，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計分布序列特征矩陣，滿足：

(23)

根據(jù)上述分析，采用決策樹模型，構建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的空間聚類模型，結合統(tǒng)計特征分析方法，實現(xiàn)數(shù)據(jù)的均值聚類和自適應分類識別方法，實現(xiàn)對企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類的自適應尋優(yōu)和收斂性控制，提高數(shù)據(jù)的分類檢測能力。

3 仿真實驗與結果分析

為了驗證本文方法在實現(xiàn)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類中的應用性能，進行仿真實驗分析。采用Matlab和C++進行數(shù)據(jù)分類的算法設計，對金融數(shù)據(jù)采樣的樣本數(shù)為1 200，控制權重系數(shù)為0.36，金融數(shù)據(jù)的模糊特征檢測迭代次數(shù)為800，采樣周期T=0.86 s，信息的擾動強度為SNR=0～-20 dB，統(tǒng)計采樣率為fs=(10*f0) Hz=10 kHz，根據(jù)上述仿真環(huán)境和參數(shù)設定，進行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計融合分類，得到大數(shù)據(jù)集采樣分布如圖1所示。

圖1 企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的大數(shù)據(jù)集采樣頻域分布Fig. 1 The sampling frequency distribution of the big data of the financial data for the secondary entrepreneurship of a firm

以圖1的數(shù)據(jù)為研究對象，構建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分布的不規(guī)則空間聚類模型，采用相空間結構重組方法進行模糊特征重構，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的聚類中心分布如圖2所示。

圖2 企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的聚類中心分布Fig. 2 The clustering center distribution of the financial data

分析圖2得知，采用本文方法進行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類的空間聚集性較好，聚類中心檢測的抗干擾能力較強。測試不同方法的企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的準確性，得到收斂性測試結果如圖3 所示。

圖3 企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類的收斂性結果Fig. 3 The convergence result of the financial data classification of the secondary entrepreneurship of a firm

分析圖3得知，采用本文方法進行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計融合分類的準確性較高，進一步測試企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的誤分率，得到對比結果見表1。分析表1得知，本文方法進行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計分類的誤分率較低。

表1 誤分率對比Table 1 Comparison of error rate

4 結 語

結合大數(shù)據(jù)信息處理和數(shù)據(jù)融合方法，進行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的優(yōu)化聚類分析，提高企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的模糊聚類能力。提出基于邏輯回歸的企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類方法，采用自適應無監(jiān)督學習方法進行統(tǒng)計融合處理，構建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分布的不規(guī)則空間聚類模型，采用相空間結構重組方法進行模糊特征重構，采用邏輯回歸分析方法進行融合聚類處理，結合模糊C均值聚類方法，實現(xiàn)對企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類的自適應尋優(yōu)和收斂性控制，實現(xiàn)分類優(yōu)化。研究得知，采用該方法進行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類的準確性較高，誤分率較低。