Cost-based feature selection for Support Vector Machines: An application in credit scoring

در این کار، ما دو فرمولاسیون مبتنی بر ماشین های بردار پشتیبانی برای طبقه بندی همزمان و انتخاب ویژگی هایی که به صراحت هزینه های مالکیت ویژگی را شامل می شوند، پیشنهاد می کنیم. این یک کار چالش برانگیز برای دو دلیل اصلی است: برآورد هزینه های اکتسابی ساده نیست و ممکن است به عوامل چند متغیره بستگی داشته باشد و وابستگی بین متغیرها باید در فرایند مدل سازی مورد توجه قرار گیرد از آنجا که شرکت ها معمولا گروه های متغیرهای مرتبط را بدست می آورند به جای دستیابی به آنها به صورت جداگانه. مدل های برنامه ریزی خطی مختلط برای ساخت طبقه بندی هایی هستند که هزینه های خرید را محدود می کنند در حالی که به اندازه کافی طبقه بندی می شوند. نتایج تجربی با استفاده از مجموعه داده های اعتبار سنجی، اثربخشی روش های ما را از نظر عملکرد پیش بینی شده با هزینه کم در مقایسه با روش های شناخته شده انتخاب ویژگی نشان می دهد.