×
Al-Rawabdeh，Wasfi A。；多雷德·达拉赫

风险和不确定性下的预测决策：支持向量机模型。 （英语） Zbl 1408.91057号

RAIRO，运营。物件。 51，第3期，639-667（2017）.
摘要：本文提出了一种基于支持向量机（SVM）的决策模型。这里，通过优化SVM确定性分类模型来识别人类对风险和不确定性的态度。特别是，每个人都有不同的赌博配对，以显示他们的偏好。与通过直接查询确定性等价物来估计效用函数的传统方法不同，这里在训练过程中使用成对比较来预测人类偏好并计算效用参数。本研究的特点是，首先，在决策领域使用支持向量机对个人的选择进行分类，其次，它使用这种模型来搜索最优效用参数，第三，该模型可以用来指导决策者做出更好的决策。与现有的效用模型相比，SVM效用方法的特点是能够容忍训练和测试数据集中的错误分类，这使得它能够处理效用理论中存在的违规行为，如公共结果、公共比率和违反中间性。为了证明该模型的优点，使用了来自众所周知的文献研究和引发个人偏好的新调查的不同数据集。数据被分为训练集和测试集。结果表明，计算的效用参数和显著预测具有显著的一致性，而无需严格的确定性等效估计。该模型有助于风险和不确定性下的预测决策。

MSC公司：

91B06型 决策理论
91B16号 效用理论
68T05型 人工智能中的学习和自适应系统

关键词：

决策；期望效用理论；支持向量机；优化

软件：

ElemStatLearn（电子状态学习）；AdaBoost-SAMME公司
PDF格式BibTeX公司 XML格式引用
\textit{W.A.Al-Rawabdeh}和\textit{D.Dalalah}，RAIRO，Oper。第51号决议，第3号，639--667（2017；Zbl 1408.91057）
全文： 内政部

参考文献：

[1] M.Allais，《风险的理性构成：美国高等教育学院的Postulats和Axiomes批判》。《计量经济学》21（1953）503-546·Zbl 0050.36801号 ·doi:10.2307/1907921
[2] P.R.Blavatskyy，违反中间性还是随机错误？经济。Lett.91（2006）34-38·Zbl 1254.91098号 ·doi:10.1016/j.econlet.2005.10.011
[3] P.R.布拉瓦茨基，随机期望效用理论。《风险不确定性》34（2007）259-286·Zbl 1306.91040号 ·doi:10.1007/s11166-007-9009-6
[4] B.E.Boser、I.M.Guyon和V.N.Vapnik，最佳边缘分类器的训练算法。程序中。第五届ACM计算学习理论年度研讨会。纽约州纽约市（1992年）。
[5] D.Butlera和G.Loomesb，《不精确是侵犯独立性和中间性的原因》。《经济学杂志》。行为。Organiz.80（2011）511-522·doi:10.1016/j.jebo.2011.05.008
[6] M.Colyvan，《没有期望》。Mind116（2006）695-702·doi:10.1093/mind/fzl695
[7] M.Colyvan，相对期望理论。J.Philos.105（2008）37-44·doi:10.5840/jphil200810519
[8] C.Cortes和V.Vapnik，支持向量网络，马赫。学习20（1995）273-297·Zbl 0831.68098号
[9] D.Dallah、W.A.Al-Rawabdeh和H.Alshraideh，《贝塔随机效用（β-SU）》。斯托克。分析。申请34（2016）456-482·Zbl 1347.60140号 ·doi:10.1080/07362994.2016.1150186
[10] K.Easwaran，强弱预期。Mind117（2008）633-641·doi:10.1093/mind/fzn053
[11] K.Easwaran，规则性和超现实信任。菲洛斯。第123版（2014）1-41·doi:10.1215/00318108-2366479
[12] U.W.Elke、A.-R.E.Blais和N.E.Betz，《特定领域风险态度量表：衡量风险认知和风险行为》。J.贝哈夫。Decis公司。马金15（2002）263-290·doi:10.1002/bdm.414
[13] T.Fine，《评估帕萨迪纳、阿尔塔迪纳和圣彼得堡赌博》。Mind117（2008）613-632·doi:10.1093/mind/fzn037
[14] T.Hastie、R.Tibshirani和J.Friedman，《统计学习的要素：数据挖掘推断和预测》，第2版。Springer，纽约（2009）·Zbl 1273.62005年
[15] C.A.Holt和S.K.Laury，风险规避和激励效应。美国经济。第92版（2002）1644-1655·数字对象标识代码：10.1257/000282802762024700
[16] D.Kahneman和A.Tversky，《不确定性下的判断：启发式和偏见》。科学。Mag.185（1974）1124-1131。
[17] S.K.Laury和C.A.Holt，对前景理论的进一步思考。《经济学实验》12（2008）405-40·doi:10.1016/S0193-2306（08）00009-4
[18] Y.Lee、Y.Lin和G.Wahba，多类别支持向量机，微阵列数据和卫星辐射数据分类的理论和应用。《美国统计协会期刊》第99卷（2004年）第67-81页·Zbl 1089.62511号 ·doi:10.1198/016214500000098
[19] G.Loomes和R.Sugden，测试风险选择的不同随机规范。《经济学》65（1998）581-598·doi:10.1111/1468-0335.00147
[20] J.M.Machina，《不确定性下的选择：已解决和未解决的问题》。《经济学杂志》。展望1（1987）121-154·doi:10.1257/jep.1.1.121号文件
[21] J.Marron，距离加权歧视。《美国法律总汇》第102卷（2007年）1267-1271页·Zbl 1332.62213号 ·doi:10.1198/0162145000001120
[22] X.Qiao，H.H.Zhang，Y.Liu，M.J.Todd和J.S.Marron，距离加权歧视的渐近性质。《美国统计协会期刊》105（2010）401-414·Zbl 1397.62227号 ·doi:10.1198/jasa.2010.tm08487
[23] X.Shen、G.C.Tseng、X.Zhang和W.H.Wong，《论ψ——学习》。《美国统计协会期刊》98（2003）724-734·Zbl 1052.62095号 ·doi:10.1198/0162145000000639
[24] M.Siamak和A.K.J.Suykens，使用LS-SVM学习偏微分方程的解。神经计算159（2015）105-116·doi:10.1016/j.neucom.2015.02.013
[25] C.Starmer，《非预期效用理论的发展：寻找风险下的描述性选择理论》。《经济学杂志》。文献38（2000）332-382·doi:10.1257/jel.38.2.332
[26] M.Thalos和O.Richardson，《圣彼得堡游戏中的资本化：为什么统计分布很重要》。政治哲学经济学（2013）1-22。
[27] A.Tversky和D.Kahneman，前景理论的进展：不确定性的累积表示。《风险不确定性》5（1992）297-323·Zbl 0775.90106号 ·doi:10.1007/BF00122574
[28] 王志刚（Zhigang Wang）、赵增硕（Zengshum Zhao）、翁世峰（Shifeng Weng）和张长水（Changshui Zhang），用支持向量机（SVM）解决带离群值的一类问题。神经计算149（2015）100-105·doi:10.1016/j.neucom.2014.03.072
[29] G.Wu、J.Zhang和R.Gonzalez，《风险下的决策》。在由D.Koehler和N.Harvey编辑的《Blackwell判断和决策手册》中。英国牛津布莱克威尔（2004）399-423。
[30] J.Zhu和T.Hastie，核逻辑回归和导入向量机。J.计算。图表。统计数字14（2005）185-205·doi:10.1198/106186005X25619
[31] J.Zhu，H.Zou，S.Rosset，T.Hastie，多类adaboost。Stat.Interface2（2009）349-360·Zbl 1245.62080号 ·doi:10.4310/SII.2009.v2.n3.a8
[32] 李自强、周明田、徐丽佳、林浩、蒲海波，在核心装配平面集上训练稀疏支持向量机。神经计算130（2014）20-27·doi:10.1016/j.neucom.2013.04.046
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。