本站小編為你精心準備了創業投資項目評估參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1采用區間學習方法改進的代價敏感支持向量機模型

由于代價co*未知，用代價co′來代表真實代價，將它作為一個變量來進行學習，于是得到下面的最優化問題。式中：由于約束條件過多，因此很難求得最優解。考慮代價co′在最壞的情況下為comax，以它作為真實代價求解上式的最優化問題，可以得到滿足限制條件的最優解，因此上式可以用comax真實代價進行學習。但在極端情況下，如果co*＝comin，用comax來學習的話就遠遠偏離真實代價值，這種情況下學習到的最優解可能大于真實的風險。為了克服這個問題，CISVM引入了另一個代價co″＝0.5（comin+comax），在真實代價未知的情況下，代價區間中值與真實代價有最小的偏置，CISVM通過最小化co″的經驗風險來解決上述的代價的過學習問題。

2實驗仿真與分析

2.1實驗設置樣本數據來自于貴州省風險投資管理中心的100條數據，其中：40條為訓練集，用于訓練初始模型；30條為驗證集，用于模型選擇；30條為測試集，用于測試模型。實驗通過第一、二組數據進行訓練得到評估模型，然后用第三組數據檢驗模型的分類性能。實驗對比了CISVM、CSMean、CSMax、CSMin以及標準的SVM在數據集上的性能，這幾種方法在實驗中均使用RBF核函數，輸入參數λ∈{0.01，0.1，1，10，100}，σ∈{0.1，0.5，1，2，10}，通過λ與σ的兩兩組合得到參數集。因為每個樣本的真實代價可能是區間上的任意值，為能比較上述幾種分類器性能，實驗設置了10個測試點Pi代表樣本代價區間真實值：Pi={co（1），…，co（j）}，co（j）=rand（1）×{comin（j）+[comax（j）-comin（j）]}，i=10，j=100。

2.2實驗結果分析圖1為CISVM、CSMean、CSMax、CSMin、SVM訓練得到的分類器在測試數據集上的性能。CISVM的與其它方法相比，它的預測準確率排在第二，但它的總代價是最低的，其原因在于其降低了高代價樣本的誤分類率，雖然這樣導致了分類準確率的下降，但誤分的多數是代價較低的樣本，因此它總的代價成本最小，這與其追求總的代價最小的目標是相一致；CSMean的代價值與分類準確率與CISVM相比較高，但優于其它兩類方法，因為它取的是代價區間的中值，與實際代價偏離較小，但由于檢測點是隨機的，所以某些情況下，例如在P7處高于CSMin；CSMin和CSMax兩種方法的性能差不多，因為這兩種方法取的是代價區間的上下界，所以離真實代價偏離較大，預測準確率不如SVM，總代價也基本與SVM持平；總的來說，CSMean與標準的SVM相比，減少了大概20%的誤分類代價，CISVM與SVM相比減少了40%，從而表明本文所采用的算法是優越的。

3結論

創業投資是一種高風險高回報的投資方式，本文通過采用基于代價區間敏感的支持向量機構建的創業風險投資項目評估模型，力圖找出收益較高風險較低的項目，從而使風投企業能獲得更好的收益率，經過實驗驗證，模型的評估結果準確。將該模型運用于創業投資項目的評估預測，能為創業投資評的決策提供幫助和指導，從而促進創業投資產業的健康發展。由于創業投資涉及到投資公司相關商業機密，因此相關歷史數據的采集不夠全面；同時，由于創業投資項目周期較長，對于新的項目的評估效果將會在項目退出才能得以檢驗。在獲得更多的數據后，模型還可以進一步改進。

作者：胡鑫 單位：貴州交通職業技術學院