劉陽洋　魏鑫坤

摘 要：本文運用主成分分析（PCA）對影響企業(yè)資金成本的指標進行了降維處理，將17個影響指標變量變成了6個綜合變量，然后將綜合變量輸入到支持向量回歸機（SVR）模型中，最后確定模型是有效的可以用來進行企業(yè)資金成本的預測。

關鍵詞：PCA；SVR；企業(yè)資金成本

一、基本理論

主成分分析（Prineipal Component Analysis，PCA），起初由英國的Karl Pearosn運用到非隨機變量中，由霍特林在上個世紀30年代將主成分分析法引入到隨機變量的情況中去。主成分分析就是思考在不減少原有指標信息的基礎上，將較多的變量問題轉(zhuǎn)化為少數(shù)幾個不相關的綜合變量，為了將要解決的問題簡單化，通常將多維空間的問題變動到低維空間，這樣使問題轉(zhuǎn)化的通俗容易懂，主成分分析是方法是一類特別重要的統(tǒng)計方法，它的將輸入變量降維的模式，有力的從理論及技術方面對綜合評價進行了支撐。

支持向量機（SVM）是一種可以在多個方面應用的學習機器，它主要解決識別模型這個難題，可以達成統(tǒng)計學習理論，并且在這個過程中將結構風險降到了極小值。它的運行機理為把我們輸入的向量通過映射反映到一個維數(shù)較高的特征空間，然后在這個空間中組織最合理的分類。它能彌補多層前向網(wǎng)絡中的不足，而且在理論上證實了：在選擇了恰當?shù)挠成浜瘮?shù)之后，一大部分空間內(nèi)線性不可分的通過特征空間都得到轉(zhuǎn)化變成了線性可分。但還有一個問題是解決不了的，就是低向高維轉(zhuǎn)化時，因為空間的維數(shù)變化太大，并且使維數(shù)大大增加，導致有時不能在特征空間找到最優(yōu)的分類平面。在SVM中解決上述問題的方法是找到一個可以使用的分類平面，它是一個更優(yōu)異的超平面。而且還能將訓練集中的點遠離這個平面，也就是說緊挨這個超優(yōu)平面兩側的點盡量的少。不僅如此，SVM還給出了核函數(shù)，核函數(shù)將替換維數(shù)較高的特征空間的內(nèi)部乘積計算，也就是說它的作用是避免維數(shù)過高而導致的計算量過大。核函數(shù)實施的具體過程是將原空間向量經(jīng)過非線性映射到一個維數(shù)較高的空間，使原來并不具有線性特征的向量變成線性關系，然后在這個高維空間中得到具有線性關系的最優(yōu)解，也就是最優(yōu)決策函數(shù)。

通過對企業(yè)的資料分析，采用專家調(diào)查法確定企業(yè)資金成本影響因素，影響因素有固定成本的分攤，專業(yè)化生產(chǎn)，大規(guī)模設備，經(jīng)驗成本，企業(yè)組織狀況，一體化經(jīng)營，制度因素，地理因素，企業(yè)文化等。

主成分分析及支持向量回歸機模型的建立

我們運用主成分分析和支持向量回歸機方法對數(shù)據(jù)與信息進行處理：分析建筑企業(yè)的資料，首先采用專家調(diào)查法確定影響企業(yè)資金成本的因素進行因素識別，建立指標體系的基礎，其次就要搜集整理數(shù)據(jù)，運用SPSS軟件對原始數(shù)據(jù)進行離散化、標準化，最終獲得主成分得分矩陣數(shù)據(jù)，在獲取輸入數(shù)據(jù)之后確定主成分分析法和支持向量回歸機的組合方式，再次將數(shù)據(jù)作為支持向量回歸機的輸入向量，將企業(yè)資金成本作為支持向量機的輸出，構建訓練樣本集。最后選擇或者構造一個核函數(shù)，確定一個不敏感損失函數(shù)，根據(jù)規(guī)定的項目精度標準，確定與之對應的誤差允許值，以誤差值為依據(jù)，通過一定的方式尋找最優(yōu)值和核函數(shù)參數(shù)，來優(yōu)化支持向量回歸機自適應性能。當滿足訓練要求時，支持向量回歸機模型就能夠進行工程成本預測，將測試數(shù)據(jù)集按一定方式輸入到模型中就可以進行預測，而且可以快速批量地進行。

二、預測結果分析

運用SPSS軟件對原始數(shù)據(jù)進行標準化處理，然后進行主成分分析，主成分分析過程如參考文獻5，得到主成分值。然后運用25家企業(yè)的前20家作為訓練樣本，對SVR模型先進行訓練，最后選擇了徑向基核函數(shù)（RBF）為本研究的核函數(shù)，最優(yōu)秀數(shù)懲罰因子C=88，核函數(shù)=1.1，損失函數(shù)值=0.0006，訓練完成后用最后5家企業(yè)進行預測，并對預測結果與實際結果做比較。測試樣本的相對誤差如表，實際值和預測值的對比曲線見圖。

可見PCA-SVR模型對企業(yè)資金成本的預測結果的相對誤差都不大于5%，可以滿足企業(yè)資金成本預測的精度要求。因此該模型是有效的，適于企業(yè)資金成本的預測。

參考文獻：

[1]王芹芹，雷曉云，高凡.基于主成分分析和RBF神經(jīng)網(wǎng)絡的融雪期積雪深度模擬[J].干旱區(qū)資源與環(huán)境，2014，02：175-179.

[2]聞芳，盧欣，孫之榮等.基于支持向量機（SVM）的剪接位點識別[J]. 生物物理學報，1999，04：733-739.

[3]姚瀟，余樂安.模糊近似支持向量機模型及其在信用風險評估中的應用[J].系統(tǒng)工程理論與實踐，2012，03：549-554.

[4]盧鈺.基于參數(shù)優(yōu)化的支持向量機股票市場趨勢預測[D].浙江：浙江工商大學，2013.

[5]丁國盛，李濤.SPSS統(tǒng)計教程——從研究設計到數(shù)據(jù)分析[M].北京：機械工業(yè)出版社，2005.