孫廷輝　朱瑞龍

摘要：針對(duì)財(cái)務(wù)管理中的數(shù)據(jù)量問題，提出使用監(jiān)督性支持向量機(jī)（SVM）算法解決財(cái)務(wù)數(shù)據(jù)分類問題。首先，將財(cái)務(wù)數(shù)據(jù)按照不同的年份，不同的部門進(jìn)行預(yù)處理，并將其標(biāo)簽化；其次，按照一定比例選擇訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)，將訓(xùn)練數(shù)據(jù)輸入到SVM中進(jìn)行分類器的訓(xùn)練；最后利用最優(yōu)分類器完成財(cái)務(wù)數(shù)據(jù)分類。實(shí)驗(yàn)結(jié)果表明：所提出的算法在財(cái)務(wù)管理中有較高的應(yīng)用價(jià)值。

關(guān)鍵詞：財(cái)務(wù)管理；數(shù)據(jù)分類；支持向量機(jī)

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）04-0760-02

1 支持向量機(jī)

支持向量機(jī)[1-4]已經(jīng)發(fā)展成為一個(gè)標(biāo)準(zhǔn)的分類模型，它尋找數(shù)據(jù)中的最大間隔超平面，作為分類平面對(duì)于小樣本以及高維的數(shù)據(jù)具有良好的分類效果。

標(biāo)準(zhǔn)的SVM算法的原始問題可以歸結(jié)為如下的一個(gè)二次規(guī)劃的問題：

其中，[ξi≥0，i=1，…l]，[xi∈Rn]為支持向量機(jī)的輸入指標(biāo)向量，[yi∈{-1，1}]為[xi]所屬類別，[i=1，…l]。[K（xi，xj）]為核函數(shù)，它對(duì)應(yīng)某特征空間Z中的內(nèi)積，即[K（xi，xj）=]，變換[g：x→z]將樣本從輸入空間映射到特征空間。[w]為超平面的法向量，[b]為超平面的偏置，[ξi]為松弛變量，[c]為懲罰因子。

支持向量機(jī)的訓(xùn)練是求解它的對(duì)偶問題，其問題描述如下：

其中：矩陣Q是半正定的，

設(shè)[a=（a1，a2，…al）T]，[ai]是不等式約束，如下所示：

公式（5）是對(duì)應(yīng)Lagrange乘子。

2 財(cái)務(wù)管理的數(shù)據(jù)處理

在復(fù)雜的財(cái)務(wù)管理[5]中，往往涉及到數(shù)據(jù)量過大的問題，不同部門之間的數(shù)據(jù)往往是非常龐大的，隨著時(shí)間的不同，數(shù)據(jù)也會(huì)相應(yīng)的增加，我們使用SVM算法，可以將不同部門之間的財(cái)務(wù)數(shù)據(jù)進(jìn)行有效地分類，這樣更加有助于財(cái)務(wù)數(shù)據(jù)管理，且能實(shí)現(xiàn)自動(dòng)地?cái)?shù)據(jù)更新分類。

設(shè)某公司有[A1～An]個(gè)部門，[X1～Xn]分別對(duì)應(yīng)這個(gè)部門的財(cái)務(wù)數(shù)據(jù)矩陣，我們隨機(jī)抽取每個(gè)部門的30%的財(cái)務(wù)數(shù)據(jù)，再將這些數(shù)據(jù)按照1：9的比例進(jìn)行[n]次隨機(jī)分配，即27%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，3%的數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)，以年為單位，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)劃分，且利用SVM算法對(duì)其進(jìn)行分類的訓(xùn)練，其步驟分以下4步：

Step1：針對(duì)各部門的財(cái)務(wù)數(shù)據(jù)矩陣進(jìn)行標(biāo)簽，設(shè)定數(shù)據(jù)的屬性，隨機(jī)抽取訓(xùn)練數(shù)據(jù)。

Step2：按照不同的年份對(duì)這些數(shù)據(jù)進(jìn)行整理，利用數(shù)據(jù)屬性對(duì)每個(gè)部門的財(cái)務(wù)數(shù)據(jù)進(jìn)行對(duì)應(yīng)的向量化。

Step3：將向量化后的數(shù)據(jù)輸入到SVM算法中進(jìn)行數(shù)據(jù)分類器的訓(xùn)練。

Step4：重復(fù)Step1～Step3，得到多個(gè)數(shù)據(jù)分類器。

按照以上步驟，可以得到不同部門的多個(gè)財(cái)務(wù)數(shù)據(jù)分類器，我們需選擇一個(gè)最優(yōu)分類器，利用十字十乘交叉驗(yàn)證法，對(duì)分類器進(jìn)行重復(fù)最優(yōu)選取，其步驟如下所示：

Step1：設(shè)[1～n]代表所得到的財(cái)務(wù)數(shù)據(jù)分類器，將[n]次隨機(jī)分配后的訓(xùn)練數(shù)據(jù)輸入到這[n]個(gè)分類器中，設(shè)定初始值[i=1]。

Step2：設(shè)[xn]代表待分類的數(shù)據(jù)個(gè)數(shù)，[xit]代表第[i]個(gè)分類器正確分類個(gè)數(shù)，則第[i]個(gè)分類器分類準(zhǔn)確率可表示為

Step3：[i=i+1]，重復(fù)Step2，if [i=n-1]，則停止。

Step4：將所得到的準(zhǔn)確率進(jìn)行比較，可得如下表達(dá)式

按照以上流程，我們可以得到最優(yōu)的數(shù)據(jù)分類器，我們將剩余的70%的數(shù)據(jù)輸入到所得到的最優(yōu)數(shù)據(jù)分類器中即可完成數(shù)據(jù)分類，這樣可以有效地對(duì)財(cái)務(wù)數(shù)據(jù)進(jìn)行分類處理。

3 結(jié)束語

本文針對(duì)財(cái)務(wù)數(shù)據(jù)量較大問題，提出使用SVM算法對(duì)其進(jìn)行分類，這種采用機(jī)器學(xué)習(xí)領(lǐng)域的監(jiān)督性分類方法實(shí)現(xiàn)數(shù)據(jù)的自動(dòng)歸檔，有助于工作人員對(duì)財(cái)務(wù)數(shù)據(jù)進(jìn)行有效地管理和調(diào)取，實(shí)驗(yàn)結(jié)果表明：該文所研究的方法在實(shí)際應(yīng)用中有較強(qiáng)的應(yīng)用性和可行性，使用多元化，智能的數(shù)據(jù)分類方法在財(cái)務(wù)管理中有較強(qiáng)的實(shí)用價(jià)值。

參考文獻(xiàn)：

[1] 馬杰，蔡延光.基于改進(jìn)SVM方法的車牌識(shí)別研究[J].現(xiàn)代計(jì)算機(jī)，2012，16（14）：72-75.

[2] 張妤，王文劍，康向平.一種回歸SVM選擇性集成方法[J].計(jì)算機(jī)科學(xué)，2008，35（4）：178-180.

[3] 任彧，顧成成.基于HOG特征和SVM的手勢(shì)識(shí)別[J].科技通報(bào)，2011，27（2）：211-214.

[4] 胡仕玲，顧爽，陳啟軍.基于HOG的物體分類方法[J].華中科技大學(xué)學(xué)報(bào)，2011，11（2）：124-126.

[5] 王化成，張偉華，佟巖.廣義財(cái)務(wù)管理理論結(jié)構(gòu)研究——以財(cái)務(wù)管理環(huán)境為起點(diǎn)的研究框架回顧與拓展[J].科學(xué)決策，2011，6（1）：1-32.