基于逻辑回归的代发工资数据差异核对的数学建模
发布时间:2022-01-27 03:16
为了高精度核对代发工资数据差异,保证代发工资数据不出现异常,构建了基于逻辑回归的代发工资数据差异核对数学模型。使用基于信息熵聚类的代发工资数据聚类方法,准确分类已代发与未代发工资数据,缩小核对范围;针对分类后获得的已代发工资数据,通过逻辑函数Sigmoid函数实现已代发工资中异常数据的分类,基于逻辑回归构建数据差异核对的数学模型,完成已代发工资数据与实际需代发工资数据差异核对。实验测试中,所建立模型对多家、多类型企业的代发工资差异数据核对错误数为0家,核对精度高,符合银行代发工资数据差异核对要求;在核对代发工资数据差异时,核对耗时不受代发工资数据量影响,核对耗时均为5min。
【文章来源】:廊坊师范学院学报(自然科学版). 2020,20(04)
【文章页数】:6 页
【部分图文】:
Sigmoid函数散点图
本文模型对多家、多类型企业代发工资数据差异核对结果的核对精度计算结果如图2所示。如图2所示,本模型对批发与零售业、采矿业、建筑业、邮政业、仓储业、农业、渔业代发工资数据差异的核对精度较高,精度值为1。
其中,c属于常数,q(i,j)、s(i,j)分别是准确率与召回率。F-measure值较大,则本文模型聚类精度较高。使用该指标测试本文模型对已代发、未代发的工资数据聚类效果,结果如图3所示。如图3所示,该银行使用本文模型对批发与零售业、采矿业、建筑业、邮政业、仓储业、农业、渔业的已代发工资数据与未代发工资数据实施聚类时,F-measure值大于使用前,表明本模型可高精度聚类代发工资数据。
【参考文献】:
期刊论文
[1]一种改进的贝叶斯逻辑回归核心集构建算法[J]. 张士翔,李汪根,李童,朱楠楠. 计算机科学. 2019(S2)
[2]基于数学建模的网络数据流异常检测仿真[J]. 张程,尚海涛. 计算机仿真. 2019(11)
[3]基于FBMC的数据传输技术研究[J]. 邵玉蓉,姜恩华. 廊坊师范学院学报(自然科学版). 2019(03)
[4]逻辑回归模型的Smooth LASSO及Spline LASSO变量选择[J]. 戴微,金百锁. 应用概率统计. 2019(03)
[5]基于再缩放策略的逻辑回归算法及其应用[J]. 李琼阳. 统计与决策. 2019(10)
[6]基于Java Web的进销存管理系统设计[J]. 范国婷,曹飞虎,王秀友,杨颖. 廊坊师范学院学报(自然科学版). 2018(04)
[7]基于DCNDA算法的数据异常检测[J]. 蒋华,季丰,王鑫,王慧娇. 计算机工程与设计. 2018(11)
[8]基于Isolation Forest改进的数据异常检测方法[J]. 徐东,王岩俊,孟宇龙,张子迎. 计算机科学. 2018(10)
[9]基于逻辑回归模型的流量异常检测方法研究[J]. 侯爱华,高伟,汪霖. 工程数学学报. 2017(05)
[10]基于HBase的多分类逻辑回归算法研究[J]. 刘黎志,邓介一,吴云韬. 计算机应用研究. 2018(10)
本文编号:3611651
【文章来源】:廊坊师范学院学报(自然科学版). 2020,20(04)
【文章页数】:6 页
【部分图文】:
Sigmoid函数散点图
本文模型对多家、多类型企业代发工资数据差异核对结果的核对精度计算结果如图2所示。如图2所示,本模型对批发与零售业、采矿业、建筑业、邮政业、仓储业、农业、渔业代发工资数据差异的核对精度较高,精度值为1。
其中,c属于常数,q(i,j)、s(i,j)分别是准确率与召回率。F-measure值较大,则本文模型聚类精度较高。使用该指标测试本文模型对已代发、未代发的工资数据聚类效果,结果如图3所示。如图3所示,该银行使用本文模型对批发与零售业、采矿业、建筑业、邮政业、仓储业、农业、渔业的已代发工资数据与未代发工资数据实施聚类时,F-measure值大于使用前,表明本模型可高精度聚类代发工资数据。
【参考文献】:
期刊论文
[1]一种改进的贝叶斯逻辑回归核心集构建算法[J]. 张士翔,李汪根,李童,朱楠楠. 计算机科学. 2019(S2)
[2]基于数学建模的网络数据流异常检测仿真[J]. 张程,尚海涛. 计算机仿真. 2019(11)
[3]基于FBMC的数据传输技术研究[J]. 邵玉蓉,姜恩华. 廊坊师范学院学报(自然科学版). 2019(03)
[4]逻辑回归模型的Smooth LASSO及Spline LASSO变量选择[J]. 戴微,金百锁. 应用概率统计. 2019(03)
[5]基于再缩放策略的逻辑回归算法及其应用[J]. 李琼阳. 统计与决策. 2019(10)
[6]基于Java Web的进销存管理系统设计[J]. 范国婷,曹飞虎,王秀友,杨颖. 廊坊师范学院学报(自然科学版). 2018(04)
[7]基于DCNDA算法的数据异常检测[J]. 蒋华,季丰,王鑫,王慧娇. 计算机工程与设计. 2018(11)
[8]基于Isolation Forest改进的数据异常检测方法[J]. 徐东,王岩俊,孟宇龙,张子迎. 计算机科学. 2018(10)
[9]基于逻辑回归模型的流量异常检测方法研究[J]. 侯爱华,高伟,汪霖. 工程数学学报. 2017(05)
[10]基于HBase的多分类逻辑回归算法研究[J]. 刘黎志,邓介一,吴云韬. 计算机应用研究. 2018(10)
本文编号:3611651
本文链接:https://www.wllwen.com/shekelunwen/shekexiaolunwen/3611651.html