一元判定模型的优缺点

一元判定模型的优点是使用方法简便，且前期预测能力强，这也侧面说明一些上市企业的财务困境是从某些财务指标恶化开始的。

但一元判定模型的缺点在于，一元判定模型只重视一个指标的分离能力，如果经理人员知道这个指标，就有可能去粉饰这个指标，使企业表现出良好的财务状况。同时，如果使用多个指标分别进行判断，这几个指标的分类结果之间可能会产生矛盾，导致无法作出正确判断。虽然财务比率是综合性较高的判别指标，但是仅用一个财务指标不可能充分反映企业的财务特征。



如何建立一元非线性回归模型,如何判断模型的优劣?

把数据分成训练集和测试集。 训练集用来找出模型中参数，而测试集用来测试模型准确性。

有些非线性回归是可以转化成线性回归来处理的，【beat，r，j】=nlinfit（x，y，model）这个是求回归系数的，beat就表示回归系数，r表示残差，j表示jacobian矩阵。 如果你还要求置信区间，用betaic=nlparci（beat，r，j）。

回归分析法

所谓回归分析法，是在掌握大量观察数据的基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式（称回归方程式）。回归分析中，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析；当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。

机器学习“判定模型”和“生成模型‘有什么区别

最基本的区别就是建模对象不同, 但目的都是求出P(Y|X)

判别模型Discriminative Model:

直接对P(Y|X)进行建模,   判别模型不考虑如何生成 X 和 Y 的联合事件, 比如 SVM 只考虑把点分开而已, 鲁棒性比较强, 但需要更多的训练数据.

生成模型 Generative Model:

利用贝叶斯公式, 先对P(X|Y)进行建模, 然后利用训练集中的 P(Y) 求出联合**概率分布 P(X,Y)**, 最后除以X的概率分布P(X)得出我们的目标(P(Y|X)). 最常见的例子朴素贝叶斯. 生成模型需要做出更多的假设, 因此适用于数据较少的情况下, 但鲁棒性不强, 因为假设错了就效果很差了.

给一个栗子, 外星人来地球拿了一个数据集包含了地球人的身体特征, 标签有2类:男和女. 如果训练数据集只有1%是数据是男性, 而99%是女性. 那么外星人科学家就有可能认为给定随机一个人类, 该人类是女性的P(y=female)概率是99%, 按照这个假设去做生成模型就会很不给力, 但判别模型就没有这个问题.

——Matthew_zeng

我们从几句话进入这两个概念： 

1、机器学习分为有监督的机器学习和无监督的机器学习； 

2、有监督的机器学习就是已知训练集数据的类别情况来训练分类器，无监督的机器学习就是不知道训练集的类别情况来训练分类器； 

3、所以说，有监督的机器学习可以抽象为一个分类task，而无监督的基本完成的是聚类； 

4、有监督的机器学习中，我们可以概述为通过很多有标记的数据，训练出一个模型，然后利用这个，对输入的X进行预测输出的Y。这个模型一般有两种：

决策函数：Y=f(X) 

条件概率分布：P(Y|X)

5、根据通过学习数据来获取这两种模型的方法，我们可以分为判别方法和生成方法；

6、概念正式介绍

判别方法：由数据直接学习决策函数Y=f(X)或条件概率分布P(Y|X)作为预测模型，即判别模型。判别方法关心的是对于给定的输入X，应该预测什么样的输出Y。

数据直接学习决策函数Y=f(X)或条件概率分布P(Y|X)得到的预测模型，就是判别模型；

生成方法：由数据学习联合概率分布P(X,Y), 然后由P(Y|X)=P(X,Y)/P(X)求出概率分布P(Y|X)作为预测的模型。该方法表示了给定输入X与产生输出Y的生成关系

P(Y|X)作为的预测的模型就是生成模型；

两个模型的范例

生成模型：朴素贝叶斯、隐马尔可夫（em算法） 

判别模型：k近邻法、感知机、决策树、逻辑回归、线性回归、最大熵模型、支持向量机(SVM)、提升方法、条件随机场（CRF）

对比

1、生成模型可以还原出联合概率分布（还原数据本身相似度），而判别方法不能； 

2、生成方法的学习收敛速度更快，当样本容量增加的时候，学到的模型可以更快的收敛于真实模型； 

3、当存在隐变量时，仍可以利用生成方法学习，此时判别方法不能用； 

4、判别学习不能反映训练数据本身的特性，但它寻找不同类别之间的最优分类面，反映的是异类数据之间的差异，直接面对预测，往往学习的准确率更高，由于直接学习P(Y|X)或Y=f（X），从而可以简化学习； 

5、简单的说，生成模型是从大量的数据中找规律，属于统计学习；而判别模型只关心不同类型的数据的差别，利用差别来分类。

多元逻辑模型属于财务预警定量分析模型吗

财务预警的模型与方法(下) 第三章 财务预警的模型与方法(下) 第一节 财务预警的模型 第二节 财务预警的研究方法 第三节 财务预警模型与方法的评价和比较 第一节 财务预警的模型 一、一元判定模型 二、多元线性判定模型 三、多元逻辑 (Logit) 模型 四、多元概率比 (Probit) 回归模型 五、人工神经网络 (ANN) 模型 六、联合预测模型 一、一元判定模型 1.定义：是指将某一项财务指标作为判别标准来判断企业是处于破产状态还是非破产状态的一种预测模型。 2.前提条件：无前提假设 3.适用范围：使用范围广 4.模型描述 ：选用某一项财务指标作为判别标准。 判别方程为：y = b0 b1 x e 判别阀值的确定： 将样本分为预测样本（估计样本）和测试样本（有效样本），先按某一选定的财务比率对预测样本进行排序，以确定判别阀值点，而后把确定的阀值点作为判别规则用测试样本进行测试。 5.优缺点分析 ：简单易行；但仅用单个财务指标，导致精确度不高 。 二、多元线性判定模型 1.定义：是指通过多元线性判别方法建立判别方程，而后用方程计算出判别Z值，以Z值作为判定企业财务状况的综合标准。 2.前提条件：自变量呈正态分布，两组样本等协方差 。 3.适用范围：使用范围比较广，很多在近似状态下使用。 4.模型描述 ：通过统计技术将多个标准变量在最小信息损失下转换为分类变量，获得高预测精度的多元线性判别方程。 二、多元线性判定模型 判别方程为： 上式中， 、 是权数； 、 是各种财务比率。 5.优缺点分析 ：预测精度比较高，但工作量比较大，且适用范围受到限制，多在近似状态下采用。 三、多元逻辑(Logit)模型 1.定义：是指通过寻求观察对象的条件概率，从而据以判断观察对象的财务状况和经营风险。 2.前提条件：不需要自变量多元正态分布及两组样本等协方差。