基于優(yōu)化的xgboosT-LMT模型的供應(yīng)商信用評(píng)價(jià)研究.pdf

1、隨著全球經(jīng)濟(jì)迅猛發(fā)展，市場(chǎng)競(jìng)爭(zhēng)已經(jīng)發(fā)展成為供應(yīng)鏈與供應(yīng)鏈之間的競(jìng)爭(zhēng)。供應(yīng)鏈管理模式作為一種新的管理理念與模式，近年來在國(guó)內(nèi)外逐漸受到重視，被視為是企業(yè)提升市場(chǎng)競(jìng)爭(zhēng)力的助推劑。在供應(yīng)鏈管理模式中，擁有優(yōu)秀的供應(yīng)商合作伙伴是企業(yè)競(jìng)爭(zhēng)致勝的關(guān)鍵，而對(duì)供應(yīng)商信用進(jìn)行正確評(píng)價(jià)是企業(yè)組建優(yōu)秀供應(yīng)商團(tuán)隊(duì)的重要因素。因此，對(duì)供應(yīng)商的信用進(jìn)行準(zhǔn)確評(píng)價(jià)具有重要意義。
　　基于供應(yīng)商信用評(píng)價(jià)在大數(shù)據(jù)環(huán)境下的實(shí)質(zhì)為一種模式識(shí)別問題，分類機(jī)的性能表現(xiàn)在供應(yīng)

2、商的信用評(píng)價(jià)問題中至關(guān)重要。xgboost集成學(xué)習(xí)框架是2015年被提出一種新的集成學(xué)習(xí)模型，它以其出色分類性能和魯棒性在模式識(shí)別問題上得到了較為廣泛的使用。鑒于此，本文嘗試將xgboost集成學(xué)習(xí)框架應(yīng)用于解決供應(yīng)商的信用評(píng)價(jià)問題。
　　xgboost框架在使用時(shí)，需要設(shè)置模型參數(shù)收縮步長(zhǎng)和予節(jié)點(diǎn)中最小的樣本權(quán)重閥值。通常，參數(shù)組合的選取對(duì)模型的分類性能影響較大。以往的參數(shù)尋優(yōu)方法，主要依據(jù)經(jīng)驗(yàn)給定或?qū)嶒?yàn)窮舉，但帶有一定的不確定

3、性和隨機(jī)性。本文將人工化學(xué)反應(yīng)優(yōu)化算法(Artificial Chemical Reaction Optimization Algorithm，ACROA)應(yīng)用于xgboost框架的參數(shù)尋優(yōu)，并設(shè)定不同的初始反應(yīng)物個(gè)數(shù)進(jìn)行數(shù)值實(shí)驗(yàn)，驗(yàn)證基于ACROA算法的參數(shù)尋優(yōu)的穩(wěn)定性。
　　LMT(Logistic Model Tree)算法是決策樹的一種擴(kuò)展算法，它將普通的決策樹模型和Logistic回歸模型相結(jié)合，比單獨(dú)的決策樹模型和Lo

4、gistic回歸模型具有更強(qiáng)的分類性能。為進(jìn)一步提高LMT算法的分類性能和解釋能力，本文將反正切Lasso懲罰函數(shù)引入LMT模型，并通過實(shí)驗(yàn)驗(yàn)證反正切Lasso對(duì)LMT算法分類性能的優(yōu)越性。
　　為提高供應(yīng)商信用評(píng)價(jià)中分類模型的分類精度和魯棒性，本文提出了一種基于優(yōu)化的xgboost-LMT模型——使用ACROA算法對(duì)xgboost框架進(jìn)行參數(shù)尋優(yōu)，并將基于反正切Lasso懲罰函數(shù)的LMT算法引入xgboost框架，作為框架的基分