基于邏輯回歸的企業二次創業金融數據分類方法研究*

賴 紅 清

(佛山職業技術學院 工商管理學院商貿系,廣東 佛山 528200)

0 引 言

隨著經濟的發展，需要對企業二次創業金融數據進行優化聚類分析，通過提取企業二次創業金融數據的統計特征量，結合大數據信息處理和數據融合方法，將其進行優化聚類分析，以提高企業二次創業金融數據的模糊聚類能力[1]。對企業二次創業金融數據的分類是實現企業金融管理優化的關鍵，相關的數據分類研究受到人們的極大關注[2]。對企業二次創業金融數據的聚類分析主要采用模糊聚類方法，結合統計數據分析，進行數據分類處理，但傳統方法模糊度較大，分類的準確性不好。針對上述問題，提出基于邏輯回歸的企業二次創業金融數據分類方法，采用邏輯回歸分析方法將數據進行融合聚類處理，結合模糊C均值聚類方法，實現數據分類的自適應尋優和收斂性控制。最后進行仿真實驗分析，展示了該方法在提高企業二次創業金融數據分類能力方面的優越性能。

1 企業二次創業金融數據分布模型及特征分析

1.1 分布模型

為了實現企業二次創業金融數據分類，采用自適應無監督學習方法進行統計融合處理。首先構建企業二次創業金融數據模糊決策樹模型，采用相空間重構方法進行模糊特征重構[3]，采用一個四元組(Ei,Ej,d,t)來表示特征分布權系數，其中Ei，Ej是企業二次創業金融數據特征權重的實體集(即節點i和j)，d為特征權重的交互性統計數據，t為企業二次創業過程中的業績關聯數據特征集，采用企業內部代理方法進行統計特征分析，得到企業二次創業金融數據的量化集為

x(t)=(x0(t),x1(t),…,xk-1(t))T

(1)

采用一個1×N維的分布陣列進行企業二次創業金融數據特征重構，確定模糊時間窗口值N，構建多維信息熵分布矩陣。采用激勵機制建立企業二次創業金融數據的特征權重分析模型，建立窄時域窗TLX，TLY，得到企業二次創業金融數據特征權重的模糊特征提取模型為

(2)

式(2)中，Dx(x,y)表示特征提取最大范圍值，當提范圍值小于等于窗口值N時，進行特征權重的模糊特征提取；當超出窗口值N時，不進行提取。

設企業二次創業金融數據特征權重的模板特征分布為m，構建Probit多元回歸分析模型[4]，得到數據的有效性控制指數為Nj*，在進行企業二次創業金融數據特征權重回歸分析的基礎上，得到企業二次創業金融數據的統計回歸分布為

(3)

根據企業二次創業金融數據特征權重進行自適應分類，構建融資相關性決策模型，提高對數據的分類和統計決策能力。

1.2 模糊特征分析

構建企業二次創業金融數據分布的不規則空間聚類模型，采用相空間結構重組方法進行模糊特征重構，采用決策樹模型進行統計融合分類[5]，得到企業二次創業金融數據的量化特征分布集為D,D={Si,j(t),Ti,j(t),Ui,j(t)}，其中Si,j(t)表示特征權重的重復因素，Ti,j(t)表示融合分類的輸出量因素，Ui,j(t)表示相似度(相關性)模型，對企業二次創業金融數據特征權重關聯規則特征量進行量化回歸分析，定義為

(4)

Ti,j(t)表示對企業二次創業金融數據特征權重檢測的相關性特征分布集，計算表達為

(5)

提取企業二次創業金融數據的關聯規則特征量，根據譜聚類結果，進行自適應篩選和優化決策，建立關聯規則模型，輸出為

Ui,j(t)=exp[-b[zi(t)-zj(t)]2]

(6)

式(6)中，pi,j(t)為統計融合分類的互信息量；spi,j(t)為特征權重檢測的分叉度重復量；Δp(t)為增益系數；zi(t)，zj(t)表示為模糊度函數，由此建立企業二次創業金融數據的特征提取和大數據融合聚類模型，采用模糊特征分析方法，進行企業二次創業金融數據的模糊聚類處理，提高數據的分類挖掘和識別能力[6]。

2 企業二次創業金融數據分類優化

2.1 金融數據的關聯規則特征提取

在構建企業二次創業金融數據優化分類模型中，采用融資決策模型，進行融合調度，提取關聯規則特征集進行金融數據的自適應分類，分析企業二次創業金融數據的離散空間調度模型，采用模糊控制方法[7]，進行融分段樣本檢驗，得到自適應加權權重為

ωj=(ω0j,ω1j,…,ω(k-1)j)T

(7)

建立企業二次創業金融數據的模糊聚類模型，進行特征分析，得到數據序列的統計特征序列為

(8)

式(8)中，k為企業二次創業金融數據的聚類空間分布權重。采用離散序列調度方法，構建企業二次創業金融數據的特征匹配模型，根據多分類器融合結果進行信息分類，實現企業二次創業金融數據的統計特征檢測，得到檢測統計量為

(9)

(10)

構建企業二次創業金融數據統計分布有限數據集模型，得到關聯特征為

(11)

(12)

在分散子空間中進行企業二次創業金融數據實時檢測，實現關聯規則特征提取[8]。

2.2 數據模糊C均值聚類和優化分類

(13)

采用多隊列調度方法，建立企業二次創業金融數據的決策調度模型，得到特征訓練集si={xj:d(xj,yi)≤d(xj,yl)}，企業二次創業金融數據的顯著性特征權重為

MinWH=min{w(cc),h(cc)}

(14)

(15)

建立模糊度核函數模型，采用相空間結構重組方法，得到Nj*的幾何鄰域NEj*(t)，企業二次創業金融數據統計融合分類的模糊聚類中心為

U={μik|i=1,2,…,c；k=1,2,…,n}

(16)

在關聯規則聚類下，得到企業二次創業金融數據的模糊調度函數為

(17)

采用空間網格聚類方法得到優化的企業二次創業金融數據特征權重聚類中心為

(18)

(19)

式(18)(19)中，m為企業二次創業金融數據統計融合分類的適應度函數，(dik)2為樣本xk與特征聚類中心與樣本Vi的測度距離。結合模糊C均值聚類方法，得到企業二次創業金融數據主成分分布為

(20)

構建企業二次創業金融數據模糊聚類的回歸分析模型，根據特征分布進行線性結構重組，得到企業二次創業金融數據的多元決策模型，對其進行分布式檢測和自適應聚類分析，得到相關性概率密度特征為

(21)

在關聯規則特征分布集中，企業二次創業金融數據分類的互信息量為

(22)

建立企業二次創業金融數據的特征提取和大數據融合聚類分析模型，實現特征權重分類[10]，得到企業二次創業金融數據統計分布序列特征矩陣，滿足：

(23)

根據上述分析，采用決策樹模型，構建企業二次創業金融數據的空間聚類模型，結合統計特征分析方法，實現數據的均值聚類和自適應分類識別方法，實現對企業二次創業金融數據分類的自適應尋優和收斂性控制，提高數據的分類檢測能力。

3 仿真實驗與結果分析

為了驗證本文方法在實現企業二次創業金融數據分類中的應用性能，進行仿真實驗分析。采用Matlab和C++進行數據分類的算法設計，對金融數據采樣的樣本數為1 200，控制權重系數為0.36，金融數據的模糊特征檢測迭代次數為800，采樣周期T=0.86 s，信息的擾動強度為SNR=0～-20 dB，統計采樣率為fs=(10*f0) Hz=10 kHz，根據上述仿真環境和參數設定，進行企業二次創業金融數據統計融合分類，得到大數據集采樣分布如圖1所示。

圖1 企業二次創業金融數據的大數據集采樣頻域分布Fig. 1 The sampling frequency distribution of the big data of the financial data for the secondary entrepreneurship of a firm

以圖1的數據為研究對象，構建企業二次創業金融數據分布的不規則空間聚類模型，采用相空間結構重組方法進行模糊特征重構，得到企業二次創業金融數據的聚類中心分布如圖2所示。

圖2 企業二次創業金融數據的聚類中心分布Fig. 2 The clustering center distribution of the financial data

分析圖2得知，采用本文方法進行企業二次創業金融數據分類的空間聚集性較好，聚類中心檢測的抗干擾能力較強。測試不同方法的企業二次創業金融數據的準確性，得到收斂性測試結果如圖3 所示。

圖3 企業二次創業金融數據分類的收斂性結果Fig. 3 The convergence result of the financial data classification of the secondary entrepreneurship of a firm

分析圖3得知，采用本文方法進行企業二次創業金融數據統計融合分類的準確性較高，進一步測試企業二次創業金融數據的誤分率，得到對比結果見表1。分析表1得知，本文方法進行企業二次創業金融數據統計分類的誤分率較低。

表1 誤分率對比Table 1 Comparison of error rate

4 結 語

結合大數據信息處理和數據融合方法，進行企業二次創業金融數據的優化聚類分析，提高企業二次創業金融數據的模糊聚類能力。提出基于邏輯回歸的企業二次創業金融數據分類方法，采用自適應無監督學習方法進行統計融合處理，構建企業二次創業金融數據分布的不規則空間聚類模型，采用相空間結構重組方法進行模糊特征重構，采用邏輯回歸分析方法進行融合聚類處理，結合模糊C均值聚類方法，實現對企業二次創業金融數據分類的自適應尋優和收斂性控制，實現分類優化。研究得知，采用該方法進行企業二次創業金融數據分類的準確性較高，誤分率較低。