您的位置: turnitin查重官网> 物流 >> 第三方物流 >有关于决策树算法在第三方物流企业信用评级中和应用

有关于决策树算法在第三方物流企业信用评级中和应用

收藏本文 2024-01-12 点赞:35083 浏览:158675 作者:网友投稿原创标记本站原创

摘 要:第三方物流企业是电子商务运转中的重要环节,其健康发展对电子商务具有非常重要的作用,但是目前第三方物流企业的信用理由成为电子商务物流发展的一大障碍。文章将决策树模型引入到第三方物流企业信用评级体系中,采用决策树ID3算法,通过定量计算训练集样本中各属性信息,准确得到决策树。实践表明,该决策树经过测试样本的测试和调整后准确率较高,能较好地运用于信用评级中。
关键词:第三方物流;决策树;信用评级;ID3算法
:A
Abstract: The third party logistics enterprise is an important link in the operation of electronic commerce, its healthy development plays a very important role in electronic commerce, but the credit problems of the third party logistics enterprise has become a major obstacle to the development of E-commerce logistics. In this paper, the decision tree model is introduced into the credit rating system of the third party logistics enterprises. Using decision tree ID3 algorithm, calculating the attribute information among the large training sample sets, to get an accurate decision tree. Practice shows that, through several adjustment and test from sample sets, the decision tree has a high accuracy, and can be well applied to credit rating.
Key words: third party logistics; decision tree; credit evaluation; ID3 algorithm
0 引 言
随着社会经济的发展,第三方物流(Third Party Logistics,TPL)发挥着越来越重要的作用。与传统的自营物流模式不同,第三方物流是典型契约物流模式,对于供需双方来说,交易存在时间和空间上的跨度使得双方互相信任度尤为重要。信用是第三方物流企业发展的根基,物流供应商必须与顾客企业建立紧密的合作、联盟与信任关系,才能深度嵌入顾客企业价值链,提供优质怎么写作,达到“双赢”效果。而这种紧密关系的建立正是以物流企业长期的诚信经营和良好信誉为前提的[1]。
信用评价发展至今,已经积累了许多有效的评价策略。包括专家判断法(5C、5P等原则评价法、财务比率综合分析法等)、基于统计判别策略的多变量统计模型(Z—Score模型、ZETA区别模型、Logit模型等),基于人工智能的信用评价模型(人工神经网络)以及综合评价法。本文引入数据挖掘(Data Mining, DM)的思想[2],通过引入DM工具,结合影响第三方物流行业信用的指标属性,将决策树ID3算法应用到物流公共信息平台信用评价系统中,获得第三方物流行业信用评级的分类模型,保证评价结果的客观公正,并提高信用评级的效率。

1 决策树ID3算法

决策树是以实例为基础的归纳算法,着眼于从一组无次序、无规则的事例中推理出决策树表示形式的分类规则。构造决策树,需要由训练样本数据集作为输入。训练集由一组数据记录(元组)组成,每条记录由多个特征属性和一个类别属性构成。一个样本可以形式化地表示为A■,A■,A■,…,A■,C,其中,A■表示特征属性;C表示决策树算法在第三方物流企业信用评级中的与应用由优秀论文网站www.udooo.com提供,助您写好论文.类别属性[3]。国际上最早和最有影响的决策树策略是由Quinlan研制的迭代二叉树3代算法(ID3,Iterative Dichotomiser 3)。该算法采用自顶向下、分而治之的策略构造决策树。
首先检测出训练样本集的所有特征,建立决策树根节点的依据是选择信息增益最大的特征A,然后根据该特征取值的不同建立分枝,再对各分枝的实例子集进行递归,最后用该策略建立树的节点和分枝,直到某一节点上的数据同属于一种类别,或者没有适当的属性或特征可以再用于对数据进行分割。在第三方物流行业信用评估中应用ID3算法生成决策树的过程如图1所示。
首先从公共信息平台上对企业基础数据进行采集;数据采集完后,再对数据进行清理和转换;紧接着随机抽取三分之二数据作为训练样本,用来构造一棵决策树。另外三分之一数据为测试样本,对模型进行检验。最后得到可用于进行企业信用评级的规则集。

2 数据预处理和转换

在目标数据中,可能存在大量的噪声数据、冗余数据、稀疏数据或不完全数据,因此需要进行数据的预处理,以获得数据的规范性、完整性、无二义性和无重复性。此过程主要包括数据的收集、清理、相关性分析以及转换等工作。数据收集是根据对目标理由的分析,从已有的数据库中查询并抽取和目标理由相关的数据;通过数据清理减少和消除数据集中的噪声数据并处理缺省值;采用相关性分析来剔除数据集中与任务不相关或弱相关的属性字段,简化数据集;数据转换主要完成数据离散化、区间变化和数据概化等任务[4]。
本文使用某省物流公共信息平台企业相关数据集,该数据集合共有600条记录,每一条记录由6个字段组成,其中前5个字段是有关企业征信信息的描述,最后一个字段是企业信用级别的定义[5]。样本集合字段归类如表1所示。由于原始数据的不完整性、噪声和不一致性,不适合直接用于数据挖掘,需要采用数据清理、转换等技术进行预处理。决策树算法在第三方物流企业信用评级中的与应用相关论文由www.udooo.com收集,如需论文查抄袭率.决策树算法在第三方物流企业信用评级中的与应用相关论文由{#GetFullDomain}收集

copyright 2003-2024 Copyright©2020 Powered by 网络信息技术有限公司 备案号: 粤2017400971号