《大数据分析技术应用》课件-第8章：企业所得税预测分析-（4）使用灰色预测算法和SVR算法构建企业所得税预测模型

使用灰色预测算法和SVR算法构建企业所得税预测模型044.使用灰色预测算法和SVR算法构建企业所得税预测模型灰色预测算法灰色预测算法是一种对含有不确定因素的系统进行预测的方法。在建立灰色预测模型之前，需先对原始时间序列进行数据处理，经过数据处理后的时间序列称为生成列。灰色系统常用的数据处理方式有累加和累减两种。灰色预测是以灰色模型为基础的，在众多的灰色模型中，GM(1,1)模型较为常用。灰色预测的结果可通过后验差检验进行评估。4.使用灰色预测算法和SVR算法构建企业所得税预测模型后验差检验精度判别参照表如表。其中P为小误差概率，C为后验差比。PC模型精度>0.95<0.35好>0.80<0.50合格>0.70<0.65勉强合格<0.70>0.65不合格4.使用灰色预测算法和SVR算法构建企业所得税预测模型2.适用场景灰色预测的通用性较强，在一般的时间序列场合都可以使用，尤其适合那些规律性差且不清楚数据产生机理的情况。3.优缺点灰色预测模型的优点是预测精度高，模型可检验，参数估计方法简单，对小数据集有很好的预测效果。缺点是对原始数据序列的光滑度要求很高，在原始数据序列光滑度较差的情况下，灰色预测模型的预测精度不高甚至将无法通过检验，结果只能放弃使用灰色预测模型进行预测。4.使用灰色预测算法和SVR算法构建企业所得税预测模型SVR算法由于支持向量机拥有完善的理论基础和良好的特性，所以人们对其进行了广泛的研究和应用，涉及分类、回归、聚类、时间序列分析、异常点检测等诸多方面。具体的研究内容包括统计学理论基础、各种模型的建立、相应优化算法的改进和实际应用等。SVR算法也在这些研究中得到了发展和逐步完善，已有许多研究成果。1.适用场景4.使用灰色预测算法和SVR算法构建企业所得税预测模型相较于其他方法，SVR算法的优点是。不仅适用于线性模型，而且对于数据和特征之间的非线性关系也能很好地处理。让用户不需要担心多重共线性问题，可以避免局部极小化问题，提高泛化性能，解决高维问题。虽然不会在过程中直接排除异常点，但是会使得由异常点引起的偏差更小。缺点是计算复杂度高，当面临大量数据时，计算耗时长。2.优缺点4.使用灰色预测算法和SVR算法构建企业所得税预测模型sklearn库的LinearSVR类实现了SVR算法，LinearSVR类的基本使用格式如下。LinearSVR类的常用参数及其说明如表。3.LinearSVR类的主要参数介绍参数名称参数说明epsilon接收float。表示loss参数中的

参数。默认为0.0tol接收float。表示终止迭代的阈值。默认为0.0001C接收float。表示罚项系数。默认为1.0classsklearn.svm.LinearSVR(epsilon=0.0,tol=0.0001,C=1.0,loss='epsilon_insensitive',fit_intercept=True,intercept_scaling=1.0,dual=True,verbose=0,random_state=None,max_iter=1000)4.使用灰色预测算法和SVR算法构建企业所得税预测模型参数名称参数说明loss接收epsilon_insensitive、squared_epsilon_insensitive。表示损失函数。默认为epsilon_insensitivefit_intercept接收bool。表示是否计算模型的截距。默认为Trueintercept_scaling接收float。表示在实例向量X上附加常数值。默认为1.0dual接收bool。当接收值为True时解决对偶问题；当接收值为False时解决原始问题。默认为Trueverbose接收int。表示是否开启详细输出。默认为0random_state接收int、RandomState实例、None。表示使用的随机数生成器的种子。默认为Nonemax_iter接收int。指定最大迭代次数。默认为1000LinearSVR类的常用参数及其说明如表（续表）。4.使用灰色预测算法和SVR算法构建企业所得税预测模型使用sklearn构建的SVR模型属性及其说明如表。属性名称属性说明coef_返回array。给出各个特征的权重intercept_返回array。给出截距，即决策函数（用于计算样本点到分割平面距离的函数）中的常数项4.使用灰色预测算法和SVR算法构建企业所得税预测模型导入自定义的灰色预测函数fromgm11importgm11，读取new_reg_data.csv和income_tax.csv数据，使用灰色预测模型成功预测出所筛选特征的2023年、2024年的值，以及使用灰色预测函数返回的P值和C值。通过使用灰色预测函数返回的P值和C值对所筛选特征的预测精度等级进行判定，如表所示。PC预测精度等级x31.00.1302728541458509好x41.00.10434204495565715好x51.00.05356506234383455好x111.00.17575840463821618好4.使用灰色预测算法和SVR算法构建企业所得税预测模型从上表中可以看出x3、x4、x5、x11这4个特征的预测精度等级都是“好”，可以用于构建SVR算法预测模型。读取灰色预测得到的数据，对数据进行标准化，使用SVR算法预测2023年和2024年的企业所得税，并对预测模型进行评价。真实值与预测值在2005年~2022年的对比说明建立的SVR模型拟合效果优良，模型得到2023年、2024年的企业所得税预测值分别为2609533万元和2775213万元（注：预测结果已转换常用形式），并且模型的平均绝对误差与中值绝对误差相对较小，可解释方差与R2值都十分接近1，这也表明模型的可信度较高。4.使用灰色预测算法和SVR算法构建企业所得税预测模型