考虑特征空间异质性的分类技术及其在商务智能中的应用研究

近年来，各种分类方法和技术及其在商务智能中的应用得到了较为深入和广泛的研究。然而对于一些商务智能问题，数据中存在的特征空间异质性使得传统的分类方法和技术在这些问题中的应用具有局限性。本项目从提高数据质量的角度出发，针对特征空间异质性这一数据特性，利用多元统计分析、机器学习、数据挖掘和智能优化等领域的最新研究成果，系统研究特征空间异质性的测度和解决方法。主要研究内容包括：（1）基于荟萃分析的特征空间异质性测度方法；（2）基于聚类分析和流形学习的新分类策略和模型；（3）具有增量学习性和可伸缩性的分类方法；（4）结合商务智能的实际背景，利用相关数据验证提出的模型与算法，设计并实现一个可应用于商务智能领域中分类预测问题的应用软件原型系统。商务智能对于组织提高收益和市场竞争力具有重要影响和意义。本项目的研究将有利于推动分类技术及其在商务智能中应用的进一步发展，具有重要的理论意义和实用价值。

对于许多商务智能问题，大量数据中存在的特征空间异质性使得传统的分类方法和技术在这些问题中的应用具有局限性。项目组从提高数据质量的角度出发，研究了特征空间异质性对于分类方法技术的影响，提出了基于荟萃分析的特征空间异质性测度方法，并通过实验计算验证了该方法的测度有效性，为分类问题的数据预处理和解决策略提供了支持信息；提出了基于聚类分析和组合学习的分类策略和模型，通过有监督聚类将各个类别的数据样本划分为若干子集合，再对不同类别的数据子集合进行两两组合得到若干训练样本子集合，然后在各个训练样本子集合中分别建立分类模型进行组合。在消费者信用评估、上市公司财务困境预测等商务智能问题中的实证研究结果表明，所提出的分类策略和模型能够有效提高准确率；对于商务智能中要求分类模型必须能够实时地反映持续不断增加的新数据特性的问题，提出了一种改进的K-近邻法，该方法具有增量学习性和可伸缩性，并且具有较高的准确率。根据研究成果，项目组完成了专著一部。