摘要：针对分类问题,本文提出了稀疏组Lasso支持向量机方法（Sparse group lasso SVM,SGLSVM）,即在SVM模型的损失函数中引入SGL惩罚函数,能同时进行组间变量和组内变量的筛选。由于SGL-SVM的目标函数求解比较复杂,本文又提出了一种快速的双层坐标下降算法。通过模拟实验,发现SGL-SVM方法在预测效果和变量选择上均要优于其他方法,对于变量具有自然分组结构且组内是稀疏的数据,本文方法在提高变量选择效果的同时又能提高模型的预测精度。最后,本文将SGL-SVM方法应用到我国制造业上市公司财务困境预测中。
分类：期刊> 人文社会科学> 社会科学II> 社会学及统计学
收录：CSSCI 南大期刊(含扩展版) > 北大期刊(中国人文社会科学期刊) > 统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > JST 日本科学技术振兴机构数据库(日) > 国家图书馆馆藏 > 上海图书馆馆藏
关键词：svm 双层变量选择 sgl 财务困境预测
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
