文摘
本文研究了上市公司的竞争力在高端装备制造业利用随机森林。随机森林是一个监督机器学习算法是基于回归和分类。它需要一些重要的决策,总是基于样本的集合。分类计数多数目的而需要平均回归。实证分析,选取上市公司88。发现在产业综合竞争力有着极大的差异。企业规模占很大比例的综合竞争力,和它的分数往往影响到综合实力;和公司在同一行业之间的差距也是显而易见的。本文的实证评价结果为企业提高综合竞争力提供三个启示,如抓住战略机遇,扩大市场,扩大企业的规模,提高资产管理,缩小行业差距。
1。介绍
逐步深化的科技革命,智能家居等高科技设备,无人驾驶、智能机器人充满了我们的日常生活的各个方面。高端装备制造业的竞争越来越激烈。19日全国代表大会的报告,提出了加快建设制造业大国,促进高端装备制造业的可持续发展,这是核心步骤,提高产业的核心竞争力。高端装备制造业是一个快速发展的新兴产业。工业设施和生产设备使用先进的生产技术。此外,所需的专业知识并不局限于一定范围内,从而达到知识密集型和技术领导。这个行业的产品使用许多高精度和尖端的技术,所以它是中国工业发展的核心产业链。至于定义的范围高端装备制造业,中国工业和信息化部划分八个地区13个五年计划期间:航空航天设备、海洋工程设备和高科技的船只,先进的轨道交通设备、高端数控机床、机器人设备,现代农业机械设备、医疗机械、高性能和先进化工成套设备。这八个行业下来在一个连续的制造业大国战略提出的(1]。
高端装备制造产业的发展是一个重要环节,决定了中国工业价值链的核心竞争力。其战略布局反映了未来经济发展和科学进步的关键。一般来说,上市公司的发展高端装备制造业仍很好,及其在工业生产比例也逐渐增加,这是关键驱动力,加快中国的高质量的经济增长。通过分析上市公司在高端装备制造业的竞争力,我们可以发现他们的优点和缺点,提出相应的解决方案;促进高端装备制造业的健康发展也可以为其他行业提供相应的参考,以便有助于加快建设中国的制造业大国。
以下部分将讨论相关工作和文献综述。节3描述,提出的方法,包括随机森林,其参数优化和设计组织协作能力。节4,给出了评价案例。最后,当前的研究是总结部分5。
2。相关工作
通过深入研究日本的电子产业,交通工具,和其他设备行业,发现日本的设备制造企业主要采取合作的方式,整合企业内部和外部的技术知识,从而实现企业的技术创新(2]。提出,技术创新在装备制造业中起着非常重要的作用在美国和英国,和行业之间的合作,大学和研究机构建立了装备制造企业、大学和科研机构可以有效地提高装备制造业的整体技术水平(3]。提出,在发达国家,政府高度重视国内装饰制造业的发展和支持和鼓励装备制造企业提高技术创新水平从政策的角度,以建立装备制造业的竞争优势4]。以电信设备制造企业为对象,它是建议加入整个行业的技术委员会可以获得有关市场信息优势,这是非常有利于制定和调整企业的创新计划,有效地提高企业的创新水平(5]。实证研究是进行144装备制造企业在西班牙2]。提出,企业的技术创新可以提高集成效率的创新资源和发挥积极作用在提高企业的绩效。还提出,国内装备制造业并没有建立一个系统的产业链,所以无法实现合作创新,这是差距的原因之一国内装备制造业和装备制造业的发达国家。国内装备制造业集群应该发展的方向,水平,垂直整合在未来3]。提出了提高技术创新能力可以有效地加强装备制造业的竞争力(6]。通过分析辽宁装备制造业的,他提出了优化装备制造业的创新能力方面的创新环境、创新政策和创新平台。分析当前国内装备制造业的需求和环境,并提出,实施开放式创新是一种有效的方法来提高装备制造业的创新能力(4]。提出,技术创新是一个重要因素影响创新促进装备制造业和装备制造企业的创新水平是增强通过增强创新团队的核心力量7]。
3所示。方法
在本节中,我们讨论随机森林的技术。评估企业协作功能,设计基于随机森林模型的解释道。此外,随机森林模型的参数优化是审议如下。
3.1。随机森林
随机森林的基本面是随机森林使用引导重采样技术通过随机选择k样品从原始训练样本N生成一个随机森林,和最终的分类是由投票结果的决策树3]。随机森林算法可以被视为一个集成和改进的决策树算法(6),一个决策树实现节点分裂通过特征选择获得最终的预测类别(8),随机森林系统的结合n决策树在一起来确定数据的所属类别通过多数投票机制(7]。随机森林流程图如图1。
训练随机森林的过程是一样的,训练每个独立的决策树(9];随机森林训练过程是平行的,主要取决于每棵树独立训练,因此构建模型更快。
3.2。设计随机与森林有关的模型来评估企业的协作能力
随机森林模型可以避免过度拟合的基础上,其良好的拟合能力(10]。随机森林算法能够处理高维数据,和食品安全检验数据有多种特定失败类别相同的主要类别的指标。在训练过程中,可以检测到交互和功能的重要性,具有一定的参考意义(11]。我ID3和C4.5决策树算法的数据集尽可能多的信息,从而导致一个复杂的决策树模型,在分类和回归树(CART)算法用于不同的用途,如它可以通过修剪简化决策树模型,优化决策树生成效率(2,促进每个独立的培训决策树划分食品检验样本集,因此本研究使用购物车算法为基础生成每个独立的决策树构造算法在随机森林。CART算法使用基尼系数作为特征选择和分裂和构造生成决策树,假设习包含当前功能T类别的概率类别是 。基尼系数可以由以下公式计算: 基尼代表了基尼系数,T代表功能类别的数量,代表食品指标的概率是当前功能。方程(1)表明,基尼系数的概率是两个样本之间不一致的数据和样本的类别标志。基尼系数的值越小,分类模型的纯度越高,因此数据的分类精度越好(12]。决策树的遍历的所有特征向量,特征向量和最小的基尼系数是选为节点的分裂功能,直到决策树构造,最后叶节点的类别是作为输入数据的类别。
3.3。随机森林模型的参数优化
为了优化hyperparameters随机森林算法,提高性能和随机森林模型的有效性,本研究使用hyperparameter网格搜索算法(13)选择一组最佳hyperparameters顺序随机森林,避免手动重新测试模型。在这项研究中,决策树的数量的随机森林将n_estimators underfitting非常小,非常大的重要模型改进,这样的价值观n_estimators将[50、100、200、300、500、800];每个决策树的最大深度的随机森林将max_depth在的范围2,3,4,5]。上述两个参数调整来优化整个模型参数。网格搜索简历sklearn库中的函数是用来系统地遍历多个参数和确定模型参数的最佳组合通过10倍交叉验证。数据集分为十个部分由10倍交叉验证,和9是作为训练数据,剩下的1是用作实验,测试数据和相应的正确的获得率实验。
4所示。评价案例研究
本节提出了评价模型,样本数据处理,学习和训练随机森林,随机森林预测模型的建立。
4.1。评价模型
节3,构建随机森林模型的概念讨论,并在此基础上,设备制造企业的创新能力评价模型图基于随机森林,如图2。
4.2。样本数据处理
在评价系统中,每一个创新能力的评价指标是不同的计量单位,有一个非常大的差距不同的索引值,所以各种指标之间没有可比性,这使得在应用程序特定的输入和随机森林模型困难的数据(14]。为了解决不相容问题的每个索引数据,我们必须对获得的原始数据进行标准化处理应用随机森林方法时,以保证样本的相似性指数数据。
本文使用比例转换方法标准化样本数据,转换公式如下: 在哪里T是处理数据(目标数据),X是原始数据,是最低的原始数据,是最大的原始数据。
4.3。学习和训练随机森林
通过统计数据的相关理论研究,选择合适的核函数是最关键环节,确保成功的样本的低维空间映射到二维空间。如果选择不同的核函数,算法采用随机森林将是不同的在整个操作过程中15]。这并不是说最终结果确定核函数可以获得一次。因此,核函数的参数选择应充分考虑,这将影响的最终经营成果不同程度的随机森林模型。考虑各种因素,如样本大小、尺寸大小、核函数本身的特性,本文选择径向基函数,它有一个广泛的收敛域,和功能具有普遍适用性的样本大小和尺寸大小。
在径向基函数的实际训练,三个非常重要的参数需要设置,即:首先,惩罚系数C;第二,核宽度σ;第三,不敏感系数ε。这三个函数并不是固定的。在整个培训,他们需要根据具体情况适当调整,以确保函数的最佳训练效果。实验仿真结果如图3来6。
当内核参数和误差都倾向于稳定状态同时,显示的参数最优组合的状态。这时,结果损失系数C= 89和内核宽度σ= 0.97。不敏感系数ε= 0.002最小误差为0.00138。
4.4。建立随机森林预测模型
在上一篇文章中,三个已经得到优化参数,即惩罚系数C= 89,内核宽度σ= 0.97,不敏感系数ε= 0.002,然后建立一个智能评价模型,可以评价设备制造企业的创新能力。具体操作过程如下:当误差是最小的,并将其保存在软件模型。我们需要的模型是最好的预测模型。如果有必要重新评估一个特定的企业在一个行业的创新能力,打开的训练模型已成功保存在matlab2015b软件,设备制造企业标准化的数据输入到模型中,并参考的评价等级表最终通过模型预测结果,然后我们可以了解企业的创新能力的力量。
处理五个样本数据选择和输入到预测模型。结果如表所示1。
从表可以看出1后数据的随机森林模型,预测的相对误差是0.02%的范围内,达到所需标准的准确性。因此,在随机森林智能评价模型、高斯径向基函数作为核函数来满足需求的合理性和可行性。这表明,在确保基本数据的前提下,任何设备制造企业可以评估设备制造企业的创新能力的帮助下这个模型。
5。结论
本文简要介绍了支持向量机及其相关原则。在考虑的前提下函数的复杂性和数据的准确性,装备制造企业的创新能力评价模型建立了基于随机森林,因此,企业的创新能力可以评估和扩展到其他应用程序。的帮助与支持向量机理论,建立了随机森林的智能评价模型,模型是研究和训练,从而获得装备制造企业创新能力的评价模型,提出从许多方面改善设备的必要性。存在一些相对误差,但随着,即使这提出的评价模型可以正常工作。
5.1。未来的工作
这项工作可以进一步扩展到一个满意的标志。这个想法可以采用和实施几乎在一个主要的水平。该评价模型可以真正帮助在生活的许多方面来评估项目的功能。这个评估应当帮助选择一个项目,是比别人更好的创新能力。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。