基于支持向量机的营销风险预测分析.docVIP

PAGE PAGE 6 基于支持向量机的营销风险预测分析 张云起 王嘉鋆2 1山东工商学院 工商管理学院 2 青岛科技大学 管理学院 [摘要]支持向量机（Support Vector Machine ,SVM）方法是在统计学习理论（SLT）基础上提出的一种新的学习方法。通过对大量来源可靠的营销信息资料进行系统了解和分析，采用支持向量机的思想，建立风险预测分析模型，对这些资料和数据进行处理，得到关于风险发生的类别及其程度的有关信息，为选择营销风险处理方法、进行正确的风险管理决策提供依据。 [关键词]支持向量机，营销风险，风险预测 1引言 所谓营销风险，就是指企业在市场营销活动中，由于各种事先无法预料的不确定性因素带来的影响，使企业营销的实际收益与预期收益发生一定的偏差，从而有蒙受损失和获得额外收益的机会或可能性。企业营销风险的随机性、复杂性、变动性等特性决定了在建立数学模型用于风险分析时困难重重。在营销风险管理程序中，营销风险衡量是对特定的营销风险测定其风险事故发生的概率及其损失程度，直接影响营销风险管理的成败及准确性。营销风险衡量分为营销风险预测和营销风险测量两大部分，一般需要运用概率论和数理统计方法。本文仅就营销风险预测做研究探讨。[1] 2基于SVM分类的风险预测理论 支持向量机（SVM）用于模式识别的基本思想是将一个超平面作决策平面，不但能将分类中的两类样本正确分开,而且使分类间隔最大，即将优化问题转化为一个凸型的二次规划问题，由标准的拉格朗日乘子法解得即为全局最优解，且具有很高的精度。SVM的主要思想是： 首先考虑一个两类模式分类问题，设输入模式集,,i=1,…,n为样本数（以下同），m为样本维数；输出集，且=-1或１，代表类别标号，目的是寻找一个超平面，实现该分类函数将空间划分为两个子空间，不同的模式样本属于不同的子空间，且距该超平面最近的样本到超平面的距离达到最大，则称该超平面为最优超平面（图1）。其中距离超平面最近的样本称为支持向量（Supper Vector），所对应得到的模型称为支持向量机。[2] 正向集最大的 正向集 最大的 分类间隔 负向集 wx+b=0 图1 线形二类划分的最优超平面 此时，训练得到的最优超平面的分类函数为： （1） 其中： （2） （3） 分别对应两类中的任一支持向量，即对应的0。 从以上公式中可观察到，由分类函数的正负即可判定样本的类别。支持向量数目少，但要包含分类所需的信息，改变某个支持向量会改变分类函数。大部分训练样本不是支持向量，它们的改变不会对分类函数有影响。[3] 对应的Lagrange函数为： （4） 从上面的讨论过程中不难看出，具体应用SVM的步骤为： （1）从较多的训练样本数据中选择支持向量。 方法：①选择适当的核函数；②确定规范化参数C的值；③将学习样本和对应的函数代入（4）式，通过求解Lagrange优化方程，求出的非零且小于C的Lagrange算子对应的样本即为支持向量。 （2）写出最优分界面方程，从而由支持向量构建基于SVM的系统。 方法：利用（2）和（3）式，分别求出 即可得最优分界面方程。 （3）对未知类别样本进行测评。 方法：将未知类别样本代入最优分类面的分类函数，即可得值（1或-1）。[4][5] 3营销风险预测指标体系的构建 3.1营销风险预测指标体系的建立思路 企业营销风险预测分析指标体系，是由各方面相互联系、能敏感地反映营销活动状态及存在问题的具体指标构成的有机整体。企业营销风险预测指标建立在科学性、广泛性、可比性、相对独立性、定性和定量指标相结合等原则的基础上，从分析测定营销风险基本因素入手,影响营销风险的主要因素分为宏观环境风险因素和微观环境风险因素。但本文所进行的基于支持向量机的市场营销预测分析是对市场营销风险进行定量分析，故只选取微观环境风险指标为所需的指标。笔者按照营销微观环境的六要素，分为顾客风险、供应商风险、市场竞争风险、竞争对手风险、产品销售风险、营销管理风险六大类，总共20个子因素指标，构成了一个预测指标体系。 3.2用主成分分析法筛选营销风险预测指标 主成份分析(Principal Components Analysis)是利用降维的思想把多指标转化成少数几个综合指标的多元统计方法。这种方法的核心就是通过主成分分析,选择m个分量，以每个主分量的方差贡献率作为权数构造综合评价函数 （5） 其中为第个主成分的得分