机器学习在经济管理决策中的应用研究基于软计算构建的贝叶斯网络方法.docVIP

机器学习在经济管理决策中的应用研究 ——基于软计算构建的贝叶斯网络方法 一、国内外研究现状述评及研究意义 1、选题意义 1)实践意义 2009年，国家社科基金正式增设管理学类基金项目，侧重资助我国经济社会管理中理论和实践问题的研究。 本选题属于管理学类创新性研究项目。从1999年2010年，中国核心期刊上发表的关于贝叶斯网络主题相关且与经济管理相结合的论文仅30篇，高水平论文更是屈指可数。同时，国内外的实践表明，贝叶斯网络方法的有效性已经在风险管理、信息融合、医疗诊断、系统控制及生物信息分类等许多领域得到了验证。因此，如何把贝叶斯网络理论与经济管理理论相结合，充分利用贝叶斯网络天然具备的多功能性、有效性及开放性(集成其它智能技术与数据处理方法的平台)等特征，创造性的把贝叶斯网络方法应用于复杂的经济管理领域，有效的把经济管理数据转化为知识，并用这些知识进行贝叶斯推理(类似人类思维的推理方式)，以解决经济管理中出现的信用评估、风险预警及经济周期波动转折点预测等一系列问题，这对经济管理实践具有重要的现实意义。 2)理论意义 根据贝叶斯网络（Bayesian Networks, BNs）理论的应用实践，其主要难点在于如何确定贝叶斯网络的合理结构。目前贝叶斯网络结构的学习方法主要分为两类：一类是打分搜索方法，另一类是依赖分析方法。打分搜索方法的算法复杂度和搜索空间会随着变量的增加呈指数级增长；而依赖分析方法的算法复杂度往往具有多项式复杂度的缺点。因此，为了克服上述学习方法的缺点，本选题拟采用遗传算法等软计算方法，在BNs结构的解空间进行寻优搜索，通过最小描述长度(MDL)等准则对待选网络结构进行打分评优来构建BNs结构，以克服当前BNs网络结构学习方法的缺点。通过收集、分析我国企业的相关数据，完善BNs方法在我国经济管理决策中的应用，从而发展有中国特色的经济管理理论方法。 2、论文综述 1)理论的渊源及演进过程 贝叶斯概率分析方法产生于250年前，在这个较为成熟的分析方法的基础上，前人于1960年创立了利用先验知识进行概率分析的方法。20多年后，Jodea Pearl于1985年率先提出了BNs概念，并于1988年给出了基于d-separation集的BNs较为抽象的严格定义，并创建了BNs理论体系。经过13年的研究，Jensen于2001年给出了BNs较为具体的清晰定义。在此期间，计算机、算法和软件也得到了长足发展，使得执行真实的BNs算法成为了可能。[1,2，3] 2)国内外研究现状 在经济管理研究领域有分类和预测两大类决策问题。其中分类问题涉及信用评估、财务危机预测及消费者选择等领域；而预测问题则是指对连续性经济管理指标的预测，如预测GDP等。本选题主要研究的是分类问题。 分类决策分为统计方法和机器学习方法两大类。 Logistic回归是一种典型的分类统计方法，它在构建直销市场下消费者行为模型等分类问题是强而有力的工具 (berger and Magliozzi 1992)[4] 。但它的有效性是建立在严格的前提假设基础上的，如：数据类型、正态性等。其中最为显著的缺点是这些方法只能处理少数几个变量，否则极易产生多重共线性等诸多问题。而且，以回归为基础的统计模型往往是基于固定形式的回归方程，只能得出唯一的解决方案，并且，当所建立的模型对实际数据进行分析时，往往该模型的数据假设与实际数据相背离 (Bhattacharyya 1999)[5]。 机器学习方法指的是在计算机技术的基础上形成的学习方法，它能从数据中提炼出模型和知识。大多机器学习方法通过人工智能和动态规划等算法实现，这些方法包决策树(CART)、神经网络(ANNs)、遗传算法以及贝叶斯网络方法(BNs)等。经济管理领域的研究者们已经采用了这些方法来解决分类和聚类问题，如：财务危机预测、信用评估和消费者选择建模等(Hu et al. 1999, West et al. 1997)[6,7]。上述方法各有优缺点：ANNs不受数据类型、正态性等前提假设的影响，它能在处理杂乱无章数据的过程中显示出无比的健壮性(Michie et al. 1994)[8]。而且，它还能探索到复杂结构数据集中各变量间的相关性和非线性关系，特别擅长于模式识别(Warner 1997)[9]。但是ANNs方法存在不少缺点：首先，它缺乏一种合适的网络拓扑结构来表达各变量之间的相互关系(Zahavi and Levin 1997)[10]。其次， ANNs基于“黑箱”的运行过程，这并不能使研究者的洞察力得以提升(Nakhaeizadeh and Taylor 1997, West et al. 1997)[7,11]。 第三、ANNs方法的网络很容易产生过度拟合(Over Fit)问题。虽然(Neal