本文摘要：logistic回歸變量主要在流行病學中應用較多，這種曲線圖主要是探索某疾病的危險因素，根據曲線圖大概推測出疾病發生的概率等等，這可以讓我們對疾病有個大概的了解，下面小編推薦一篇關于logistic回歸變量的電子論文。 摘要：BP神經網絡是一種使用非線性可導
logistic回歸變量主要在流行病學中應用較多，這種曲線圖主要是探索某疾病的危險因素，根據曲線圖大概推測出疾病發生的概率等等，這可以讓我們對疾病有個大概的了解，下面小編推薦一篇關于logistic回歸變量的電子論文。
摘要：BP神經網絡是一種使用非線性可導函數作為傳遞函數的前饋神經網絡，具有較高的精確度，但過多的預測變量會影響BP神經網絡的準確性。采用Logistic回歸變量篩選方法能在一定程度上提高分類準確性，提高模型效率。對2013年滬深兩市A股分類評級進行了研究，證明基于Logistic回歸變量篩選的神經網絡提高了兩極類別分類的準確性。
關鍵詞：BP神經網絡;Logistic回歸;變量篩選
0引言
人工神經網絡的數據擬合是通過對輸入和輸出的分析，來更新各神經元間的連接權重，是一種非線性的統計模型，具有較高的精確度[1]。但是，對于多種因素共同決定的復雜問題來說，由于影響因變量的預測變量過多，將全部預測變量加入模型進行分析，一些重要性較低的變量噪聲就會影響整個模型的精度，達不到分析效果[2]。由此，本文提出一種優化的基于Logistic回歸變量篩選的神經網絡分析方法。
1原理
1.1BP神經網絡
BP神經網絡是一種基于有監督的學習、使用非線性可導函數作為傳遞函數的前饋神經網絡[3]。BP神經網絡具有較強的非線性映射能力、較高的自學習和自適應能力、將學習成果應用于新環境和新知識的能力以及相當的容錯能力[4]。
BP算法(Error Back Proragation)學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱層逐層處理后，傳向輸出層[5]。若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據[6]。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始進行的。權值不斷調整的過程，也就是網絡的學習訓練過程。此過程一直進行到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止[78]。如圖1所示，向量X為輸入層輸入向量，向量Y為隱層輸出向量，向量O為輸出層輸出向量，矩陣V為輸入層到隱層之間的權值矩陣，矩陣W為隱層到輸出層之間的權值矩陣。
1.3基于Logistic回歸變量篩選的BP神經網絡實現方法
使用IBM SPSS Modeler 15.0構建模型[11]。用Logistic回歸分析方法擬合數據，提取出符合變量篩選條件的預測變量[12]。構建Logistic回歸模型時使用分區數據并為每個分割構建獨立的模型;選用多項式過程，變量提取方法使用步進法并使用主效應模型，目標基準類別使用第一類別，迭代次數上限為20次。挑選出滿足給定顯著水準的預測變量后，將這些預測變量加入數據流作為BP神經網絡輸入層變量，目標選擇創建標準模型，并使用BP算法建立MLP神經網絡模型，停止條件為最大訓練時間10分鐘，防止過度擬合集合設為30%。使用上述權值調整算法建立神經網絡進行分類分析，具體模型如圖2所示。
2實例分析
股票評級是股票資信評估的一個重要項目，它可以為投資者提供股票的風險信息，降低投資者的風險成本，是投資者決策的重要依據[13]。由于股票價格受到政治、經濟、社會等多種因素影響，使用傳統的模型擬合往往無法達到令人滿意的效果[14]，本文提出的模型正好能解決此難題。
2.1數據準備
選取2013年度上證A股、深證A股所有股票，導出2013年1月4日至2013年12月31日間股票交易數據，并從銳思數據庫、中國證券報網站、新浪財經數據中心等平臺匯總上市公司四季度報(年報)數據。其中年報數據保留盈利能力(包括凈資產收益等7項指標)、運營能力(包括應收賬款周轉率等6項指標)、成長能力(包括主營業務收入增長率等6項指標)、償債能力(包括流動比率等6項指標)、現金流量(包括現金流量比等5項指標)，共計30項財務分析指標。
2.2數據清理
由于樣本含量足夠大，將近2 500例，對于存在缺失值的實例，將整條數據刪除，不作分析使用。
2.3數據變換及離散化
(1)考慮到個別股票在2013年度存在除權除息，如果直接按市場價格計算股票漲跌幅，就會偏離實際情況，因此對這部分股票需要按實際收益計算其漲跌幅度。
(2)計算出年度股票漲跌幅后，將其離散化處理，漲跌幅(-∞，-20%]，(-20%，0%]，(0%，20%]，(20%，+∞)分別離散為0，1，2，3四個數值。
2.4數據集成
將股票價格及漲跌數據，上市公司財務指標數據集成至一個數據庫，最終得到有效數據1 856例。
2.5建立模型
構建Logistic回歸模型，以步進法通過似然比統計篩選得到7個預測變量，如圖3所示，再用此7個預測變量構建人工神經網絡模型如圖4所示。對照模型使用未使用變量篩選的人工神經網絡。構建模型時，訓練數據占80%，測試數據占20%。
2.6實驗結果
評級總正確率較未使用變量篩選的模型，在培訓和測試數據分區分別有了1.5和3個百分點的提高，分別為48.64%和50.52%;在評級=0時分別有了21和28個百分點的提高，分別為60.61%和64.63%，從ROC下方面積可以清晰看到這個變化，如圖7、圖8所示;在評級=3時培訓分區有了5個百分點的提高，為82.8%，測試區沒有提高。但在評級=1或者評級=2時正確率卻有了不同程度的下降。
2.7實驗結果分析
使用Logistic回歸篩選變量后的BP神經網絡在對股票進行評級時，其評級正確率在漲幅最大區域因原模型準確率已高達77%，提升幅度不是特別大，但在跌幅最大區域卻有了顯著提高。其原因在于篩選后的變量擴大了影響程度較大的變量的影響，縮小了原有影響程度較小的變量產生噪聲的影響，使處于漲幅極端的兩類因變量特征更加明顯，其分類正確率自然會有提升。而對于處于漲幅中間區域的兩類因變量來說，因其漲跌幅較小，各種自變量的影響相互博弈，刪減自變量，對其正確分類必然產生較大影響，降低了分類正確率。但在實際生活中，人們關心的往往是如何使利益最大化，并盡可能減小風險成本。因此，本文所提出的模型價值顯而易見。
3結語
股票分級實驗證明，基于Logistic回歸篩選變量后的BP神經網絡在保證總體分類正確率穩步提升的同時在極大、極小分類正確率上也有了顯著的提高。因此，在對極值分類有較高要求且預測變量較多的應用領域，此模型可作為一種分類參考，以提高分類效率。
參考文獻參考文獻：
[1]SONG Y P， PENG X Q. New structure adapting neural network and its training method[J]. Control and Decision，2010，25(8)：12651268.
[2]韓玲.基于人工神經網絡—多層感知器(MLP)的遙感影像分類模型[J].測繪通報，2004(9)：2931.
[3]韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006.
[4]LI Y， WANG Z， AO Z G， et al.Optimization for breakout prediction system of BP neural network[J]. Control and Decision， 2010，25(3)： 453456.
小編推薦優秀的電子期刊 《電子設計技術》
《電子設計技術》(月刊)創刊于1994年，由中國電子報社主辦。 本刊辦刊宗旨：成為中國電子設計業主導刊物，讀者：電子設計業工程師及技術管理人員。榮獲2001年獲信息產業部1999-2000年度電子科技期刊出版質量獎、2004年獲信息產業部2003-2004年度電子科技期刊報道選題獎。
轉載請注明來自發表學術論文網：http://www.zpfmc.com/dzlw/4035.html
