GRASP驱动的极限学习机ensemble在信用风险评估中的应用

本文主要探讨了在信用评分，即信用风险评估领域，如何应用极限学习机（Extreme Learning Machines, ELMs）的集合进行优化决策。极限学习机作为一种快速且高效的神经网络模型，因其训练速度快、泛化能力强而在机器学习中受到广泛关注。研究者们意识到，通过构建ELMs的ensemble（集成方法），能够进一步提升预测性能和稳定性。 在文章《ExtremeLearningMachines’EnsembleSelectionwithGRASP》中，作者 Ting Zhang、Qun Dai 和 Zhongchen Ma，来自南京航空航天大学计算机科学技术学院，提出了一种新颖的基于Greedy Randomized Adaptive Search Procedure (GRASP) 的ELMs Ensemble 选择算法，称为ELMs GraspEnS。GRASP是一种启发式搜索算法，它结合了贪婪策略和随机搜索，能够在没有精确解的情况下寻找近似最优解。 GRASP的关键在于其随机化过程和局部优化步骤，这使得算法能够在大量的候选模型中找到一个相对优秀的ELMs集合。这种方法对于处理信用评分中的大量数据和复杂的非线性关系特别有效，因为每个ELM可能捕捉到数据的不同特征组合。通过集成多个ELMs的预测结果，可以减少单个模型的偏差和方差，从而提高整体模型的稳健性和预测精度。 文章发表于2015年9月的《应用智能》期刊，doi为10.1007/s10489-015-0653-2，截至上传日期2015年10月13日，该研究成果已获得了9次引用，共阅读量达到67次，显示出其在学术界和实践中的影响力。 作者Qun Dai在该领域的贡献不仅限于此篇工作，他之前还有30篇出版物和238次引用，显示他在极限学习机和信用风险评估方面有着深厚的学术背景和丰富的实践经验。如果对这篇研究有兴趣或需要深入探讨，可以通过ResearchGate了解更多相关信息和作者的个人资料。