操作风险等级预测的朴素贝叶斯方法研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (12): 26-28.

操作风险等级预测的朴素贝叶斯方法研究

王双成^1,2,冷翠平¹,侯彩虹¹

1.上海立信会计学院信息科学系，上海 201620
2.上海立信会计学院中国立信风险管理研究院，上海 201620

收稿日期:2007-12-05 修回日期:2008-01-24 出版日期:2008-04-21 发布日期:2008-04-21
通讯作者: 王双成

Naive Bayes method in operational risk level prediction

WANG Shuang-cheng^1,2,LENG Cui-ping¹,HOU Cai-hong¹

1.Department of Information Science，Shanghai Lixin University of Commerce，Shanghai 201620，China
2.Risk Management Research Institute，Shanghai Lixin University of Commerce，Shanghai 201620，China

Received:2007-12-05 Revised:2008-01-24 Online:2008-04-21 Published:2008-04-21
Contact: WANG Shuang-cheng

摘要/Abstract

摘要： 操作风险数据积累比较困难，而且往往不完整，朴素贝叶斯分类器是目前进行小样本分类最优秀的分类器之一，适合于操作风险等级预测。在对具有完整数据朴素贝叶斯分类器学习和分类的基础上，提出了基于星形结构和Gibbs sampling的具有丢失数据朴素贝叶斯分类器学习方法，能够避免目前常用的处理丢失数据方法所带来的局部最优、信息丢失和冗余等方面的问题。

关键词: 操作风险, 等级预测, 朴素贝叶斯分类器, 丢失数据, Gibbs抽样

Abstract: It is difficult to accumulate a large number of data with high quality in operational risk.Naive Bayes classifier is the one of best classifiers used to small data set classification.It is suitable for operational risk level prediction.In this paper，firstly，the process of learning and classing is presented on naive Bayes classifier with complete data sets.Then，a method naive Bayes classifier learning with missing data is developed based on star structure and Gibbs sampling.The existing problems can be avoided in local optimization，information losing and redundancy.

Key words: operational risk, level prediction, naive Bayes classifier, missing data, Gibbs sampling

王双成^1,2,冷翠平¹,侯彩虹¹. 操作风险等级预测的朴素贝叶斯方法研究[J]. 计算机工程与应用, 2008, 44(12): 26-28.

WANG Shuang-cheng^1,2,LENG Cui-ping¹,HOU Cai-hong¹. Naive Bayes method in operational risk level prediction[J]. Computer Engineering and Applications, 2008, 44(12): 26-28.

[1]	张岁岁，黄丽霞，王杰，张雪英. 麦克风阵列下互相关函数分类的声源定位[J]. 计算机工程与应用, 2020, 56(4): 128-133.
[2]	戴敏. 基于NB分类器重访概率预测的Web缓存替换策略[J]. 计算机工程与应用, 2019, 55(19): 134-140.
[3]	冷翠平1，王双成1，2，高瑞1. 宏观经济风险分析的动态贝叶斯分类器方法[J]. 计算机工程与应用, 2016, 52(3): 224-229.
[4]	赵亮1，刘建辉2，崔彩峰2. 互信息匹配的半朴素贝叶斯分类器[J]. 计算机工程与应用, 2016, 52(18): 84-87.
[5]	周明伟，刘渊. 融合NBC与PNN的网络异常分类[J]. 计算机工程与应用, 2013, 49(17): 89-93.
[6]	付玲，张晖. 结合LDA和谱聚类的多文档摘要[J]. 计算机工程与应用, 2013, 49(16): 142-145.
[7]	朱成文1，李兵2，胡奎3. HMM参数估计的Gibbs抽样算法[J]. 计算机工程与应用, 2012, 48(18): 57-60.
[8]	姚全珠，宋志理，彭程. 基于LDA模型的文本分类研究[J]. 计算机工程与应用, 2011, 47(13): 150-153.
[9]	李宏，阿玛尼，李平，吴敏. 基于EM和贝叶斯网络的丢失数据填充算法[J]. 计算机工程与应用, 2010, 46(5): 123-125.
[10]	张雯，张化祥. 属性加权的朴素贝叶斯集成分类器[J]. 计算机工程与应用, 2010, 46(29): 144-146.
[11]	杜会锋，刘琼荪. 基于Copula的贝叶斯分类器[J]. 计算机工程与应用, 2010, 46(10): 111-112.
[12]	章舜仲^1,2,王树梅¹,黄河燕³,陈肇雄³. 词间相关性在贝叶斯文本分类中的应用研究[J]. 计算机工程与应用, 2009, 45(16): 159-161.
[13]	范金金¹,刘鹏². 朴素贝叶斯分类器的独立性假设研究[J]. 计算机工程与应用, 2008, 44(34): 139-141.
[14]	吴芳,王晓原,付宇. 基于LS-SVM的交通流时序数据补齐方法[J]. 计算机工程与应用, 2008, 44(29): 232-235.
[15]	胡桂武. 基于免疫GA与Gibbs的模体识别算法[J]. 计算机工程与应用, 2007, 43(18): 72-74.