BP_Adaboost模型

Adaboost算法的思想是合并多个“弱”分类器的输出以产生有效分类。其主要步骤为：首先给出弱学习算法和样本空间，从样本空间中找出m组训练数据，每组训练数据的权重都是1m。然后用弱学习算法迭代运算T次，每次运算后都按照分类结果更新训练数据权重分布，对于分类失败的训练个体赋予较大权重，下次迭代运算时更加关注这些训练个体。弱分类器通过反复迭代得到一个分类函数序列f1,f2,...,fT，每个分类函数赋予一个权重，分类结果越好的函数，其对应权重越大。T次迭代之后，最终强分类函数F由弱分类函数加权得到。BP_Adaboost模型即BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。

公司财务预警系统介绍

公司财务预警系统是为了防止公司财务系统运行偏离预期目标而建立的报警系统，具有针对性和预测性等特点。它通过公司的各项指标综合评价并预测公司财务状况、发展趋势和变化，为决策者科学决策提供智力支持。

评价指标：成分费用利润率、资产营运能力、公司总资产、总资产增长率、流动比率、营业现金流量、审计意见类型、每股收益、存货周转率和资产负债率

模型建立

强预测器

与强分类器设计方法类似，都是先赋予测试样本权重，然后根据弱预测器预测结果调整测试样本权重并确定弱预测器权重，最后把弱预测器序列加权作为强预测器。不同的是在强分类器中增加预测类别错误的样本的权重，在强预测器中增加预测误差超过阈值的样本的权重。

2.代码

%% 清空环境变量
clc
clear

%% 下载数据
load data1 input output

%% 权重初始化
k=rand(1,2000);
[m,n]=sort(k);

%% 训练样本
input_train=input(n(1:1900),:)';
output_train=output(n(1:1900),:)';

%% 测试样本
input_test=input(n(1901:2000),:)';
output_test=output(n(1901:2000),:)';

%% 样本权重
[mm,nn]=size(input_train);
D(1,:)=ones(1,nn)/nn;

%% 训练样本归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);

K=10;
for i=1:K

%弱预测器训练
net=newff(inputn,outputn,5);
net.trainParam.epochs=20;
net.trainParam.lr=0.1;
net=train(net,inputn,outputn);

%弱预测器预测
an1=sim(net,inputn);
BPoutput=mapminmax('reverse',an1,outputps);

%预测误差
erroryc(i,:)=output_train-BPoutput;

%测试数据预测
inputn1=mapminmax('apply',input_test,inputps);
an2=sim(net,inputn1);
test_simu(i,:)=mapminmax('reverse',an2,outputps);

%调整D值
Error(i)=0;
for j=1:nn
if abs(erroryc(i,j))>0.2 %较大误差
Error(i)=Error(i)+D(i,j);
D(i+1,j)=D(i,j)*1.1;
else
D(i+1,j)=D(i,j);
end
end

%计算弱预测器权重
at(i)=0.5/exp(abs(Error(i)));

%D值归一化
D(i+1,:)=D(i+1,:)/sum(D(i+1,:));

end

%% 强预测器预测
at=at/sum(at);

%% 结果统计
%强分离器效果
output=at*test_simu;
error=output_test-output;
plot(abs(error),'-*')
hold on
for i=1:8
error1(i,:)=test_simu(i,:)-output;
end
plot(mean(abs(error1)),'-or')

title('强预测器预测误差绝对值','fontsize',12)
xlabel('预测样本','fontsize',12)
ylabel('误差绝对值','fontsize',12)
legend('强预测器预测','弱预测器预测')

3.运行结果