• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于機(jī)器學(xué)習(xí)的企業(yè)運(yùn)行風(fēng)險(xiǎn)研究

    2019-10-08 11:55:52危明鑄麥偉杰袁峰
    軟件 2019年8期
    關(guān)鍵詞:隨機(jī)森林人工神經(jīng)網(wǎng)絡(luò)決策樹

    危明鑄 麥偉杰 袁峰

    摘 ?要: 黨的十八大三中全會提出逐步簡政放權(quán),要求做到便捷、規(guī)范、寬進(jìn)嚴(yán)管,這引起市場監(jiān)管主體職責(zé)發(fā)生變化,監(jiān)管對象呈現(xiàn)井噴式增長。傳統(tǒng)的監(jiān)管方法和手段已不能適應(yīng)改革后的監(jiān)管需要,監(jiān)管方法和手段必須由傳統(tǒng)向信息化、智能化等方式轉(zhuǎn)變。本文根據(jù)廣東省廣州市有關(guān)企業(yè)的真實(shí)數(shù)據(jù)對其展開運(yùn)行風(fēng)險(xiǎn)研究,首先運(yùn)用隨機(jī)森林算法對原始數(shù)據(jù)進(jìn)行變量選擇以便形成一個(gè)簡化、高效的數(shù)據(jù)集,然后分別應(yīng)用決策樹、集成法、人工神經(jīng)網(wǎng)絡(luò)分別對數(shù)據(jù)集進(jìn)行建模及分析,最后比較各種模型的優(yōu)劣,并深入研究各性能指標(biāo)的意義。通過模型可以有效地指導(dǎo)行政人員對異常企業(yè)進(jìn)行重點(diǎn)監(jiān)管,實(shí)現(xiàn)市場監(jiān)管的智能化和精細(xì)化。

    關(guān)鍵詞: 隨機(jī)森林;決策樹;集成法;人工神經(jīng)網(wǎng)絡(luò)

    中圖分類號: TP181 ? ?文獻(xiàn)標(biāo)識碼: A ? ?DOI:10.3969/j.issn.1003-6970.2019.08.007

    本文著錄格式:危明鑄,麥偉杰,袁峰,等. 基于機(jī)器學(xué)習(xí)的企業(yè)運(yùn)行風(fēng)險(xiǎn)研究[J]. 軟件,2019,40(8):2937

    【Abstract】: The Third Plenary Session of the 18th National Congress of the Communist Party of China proposed to gradually simplify administration and decentralization, and to ensure that it is convenient, standardized, lenient. This has caused changes in the responsibilities of market regulators, and the regulatory objects have shown a spurt of growth. Based on the real data of relevant enterprises in Foshan city, Guangdong Province, this paper conducts operational risk research. Firstly, random forest algorithm is used to select variables from the original data in order to form a simplified and efficient data set. Then, the decision tree, ensemble methods and artificial neural network are apply to model and analyze the dataset respectively. Finally compares the advantages and disadvantages of the various models, and in-depth study of the significance of each performance indexes. Through the model, it can effectively guide the administrative staff to focus on abnormal enterprises and realize the intellectualization and refinement of market supervision.

    【Key words】: Random forest; Decision tree; Ensemble methods; Artificial neural network

    0 ?引言

    隨著市場主體“寬進(jìn)嚴(yán)管”改革的不斷深入,國務(wù)院相繼頒發(fā)了《國務(wù)院辦公廳關(guān)于推廣隨機(jī)抽查規(guī)范事中事后監(jiān)管的通知》(國辦發(fā)〔2015〕58號)[1]、《國務(wù)院關(guān)于“先照后證”改革后加強(qiáng)事中事后監(jiān)管的意見》(國發(fā)〔2015〕62號)[2]和《國務(wù)院關(guān)于印發(fā)2016年推進(jìn)簡政放權(quán)放管結(jié)合優(yōu)化服務(wù)改革工作要點(diǎn)的通知》(國發(fā)〔2016〕30號)[3]等相關(guān)文件,要求大力推廣“雙隨機(jī)—公開”抽查工作,市場監(jiān)管模式也由“巡查制”改為“抽查制”。但目前仍存在一些不足之處,具體表現(xiàn)在:

    (1)市場主體規(guī)模龐大,難以把握重點(diǎn)監(jiān)管 ?對象。

    (2)雙隨機(jī)抽查的靶向性不強(qiáng)。

    (3)市場主體監(jiān)管風(fēng)險(xiǎn)預(yù)判能力不強(qiáng)。

    鑒于上述種種不足及企業(yè)監(jiān)管的必要性、迫切性,許多學(xué)者們把目光轉(zhuǎn)向到機(jī)器學(xué)習(xí)上。雖然政府不斷加強(qiáng)“事中事后”監(jiān)管,但諸如企業(yè)信息不透明、企業(yè)運(yùn)行存在風(fēng)險(xiǎn)等成為當(dāng)前整個(gè)社會經(jīng)濟(jì)發(fā)展過程中的突出問題,且目前仍缺乏對企業(yè)運(yùn)行狀況科學(xué)的評估模型和預(yù)警方法。在有限的時(shí)間和人力資源等約束條件下,對不同企業(yè)進(jìn)行具針對性的服務(wù)和監(jiān)管,必須充分發(fā)揮“機(jī)器學(xué)習(xí)+大數(shù)據(jù)”相關(guān)技術(shù)的作用。

    國外,Odom等人[4]早在1990年把人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到風(fēng)險(xiǎn)評估上,并將其與傳統(tǒng)的多元回歸分析比較,實(shí)驗(yàn)表明人工神經(jīng)網(wǎng)絡(luò)具有更優(yōu)越的性能;Fan運(yùn)用支持向量機(jī)(SVM)甄選與企業(yè)破產(chǎn)有影響的財(cái)務(wù)變量[5];Prinzie等人把邏輯回歸(Logistic)引入隨機(jī)森林算法并對其進(jìn)行優(yōu)化以及改進(jìn),提出一種新型的隨機(jī)森林算法,然后將改進(jìn)的算法應(yīng)用于預(yù)測公司的信用風(fēng)險(xiǎn)[6];Lin F等人研究隨機(jī)森林與KMV模型結(jié)合可能性,提出將違約距離作為隨機(jī)森林的輸入,模型對企業(yè)信用風(fēng)險(xiǎn)預(yù)測性能更優(yōu)越[7];Traskin等人利用隨機(jī)森林具有篩選重要變量的特征,提出將其應(yīng)用在保險(xiǎn)公司償付判別中[8];Tanaka、Kinkyo等人把隨機(jī)森林算法應(yīng)用在OECCD國家瀕臨破產(chǎn)的銀行對其進(jìn)行危機(jī)風(fēng)險(xiǎn)預(yù)測[9]。國內(nèi),張大斌、周志剛等人采取差分進(jìn)化算法自動聚類模型對我國上市公司展開信用度評價(jià),并與遺傳算法、決策樹、BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較,結(jié)果表明該模型具有更高的準(zhǔn)確性[10];方匡南,范新妍等人指出傳統(tǒng)的Logistic回歸建立企業(yè)運(yùn)行風(fēng)險(xiǎn)預(yù)警模型效果不夠好,提出了基于網(wǎng)絡(luò)結(jié)構(gòu)關(guān)系的Logistic模型[11];閆炳琪等人選取我國深滬兩市共74家公司2013-2014年的財(cái)務(wù)報(bào)表數(shù)據(jù),通過主成分分析降維得到濃縮的5個(gè)主成分因子,然后將5個(gè)因子作為自變量建立Logistic回歸模型[12];胡賢德、曹蓉等人借助群智能螢火蟲(GSO)算法,提出一種基于改進(jìn)離散型螢火蟲(IDGSO)算法,并將其引入到BP神經(jīng)網(wǎng)絡(luò)用于微企運(yùn)行風(fēng)險(xiǎn)評估[13];楊俊等人使用Gradient Boosting算法對中國建設(shè)銀行上海分行的企業(yè)貸款客戶數(shù)據(jù)建立模型,并和邏輯回歸以及專家規(guī)則進(jìn)行橫向比較,結(jié)果表明Gradient Boosting算法的模型要優(yōu)于另外兩種模型[14];熊正得等人利用因子分析法對深滬A股上市的制造企業(yè)財(cái)務(wù)數(shù)據(jù)構(gòu)建風(fēng)險(xiǎn)評價(jià)體系,并在違約 ? 測度階段應(yīng)用Logistic回歸對不同組樣本進(jìn)行測 ?度[15];周戰(zhàn)超通過對企業(yè)的貸款數(shù)據(jù)進(jìn)行實(shí)證分析,建立基于K-均值聚類的工業(yè)企業(yè)信用風(fēng)險(xiǎn)評價(jià)模型[16]。此外,機(jī)器學(xué)習(xí)還在不同的領(lǐng)域中有廣泛的應(yīng)用和研究[17-21]。

    根據(jù)上述關(guān)于企業(yè)運(yùn)行風(fēng)險(xiǎn)評價(jià)研究的總結(jié),本文運(yùn)用隨機(jī)森林作為對涉企數(shù)據(jù)進(jìn)行變量甄選,然后將決策樹、集成法以及神經(jīng)網(wǎng)絡(luò)分別應(yīng)用到企業(yè)運(yùn)行風(fēng)險(xiǎn)建模中,比較和分析三個(gè)模型的性能,并將其應(yīng)用到企業(yè)風(fēng)險(xiǎn)預(yù)測。

    1 ?相關(guān)技術(shù)

    1.1 ?決策樹

    決策樹是一種監(jiān)督學(xué)習(xí)算法(有一個(gè)預(yù)定義的目標(biāo)變量)主要用于分類問題。如圖1,它適用于離散型(分類)和連續(xù)型(回歸)輸入和輸出變量,它會自動識別最重要的變量并且計(jì)算該變量的信息增益來劃分?jǐn)?shù)據(jù)集,既可以做分類又可以做回歸。構(gòu)造決策樹的關(guān)鍵步驟是分裂屬性,即在某個(gè)節(jié)點(diǎn)處按照某一特征屬性的不同劃分構(gòu)造不同的分支,其目標(biāo)是讓各個(gè)分裂子集盡可能“純”。所謂“純”,就是讓同一子集的數(shù)據(jù)擁有相同的屬性,用“信息增益”(Information Gain)衡量。信息熵定量信息的大小,當(dāng)節(jié)點(diǎn)的類別均勻分布時(shí),熵值為1;當(dāng)只包含一類時(shí),熵值為0。決策樹節(jié)點(diǎn)的“純”就是根據(jù)信息熵來定義。從信息論知識中我們直到,期望信息越小,信息增益越大,從而純度越高,不純越小。

    根據(jù)式(4)的值,選擇信息增益(熵減)最大的屬性劃分集合S。

    決策樹算法偽代碼如下:

    輸入:訓(xùn)練集集合D={(x1,y1),(x2,y2)…,(xm,ym)},屬性集A={a1,a2,…,ak},函數(shù)TreeGenerate(D,A)

    輸出:以node為根節(jié)點(diǎn)的一棵決策樹

    生成節(jié)點(diǎn)node;

    if D中樣本全屬于同一類別C then

    將node標(biāo)記為C類節(jié)點(diǎn);return

    end if

    if A=Φ or D中樣本在A上取值相同 then

    將node標(biāo)記為葉節(jié)點(diǎn),其它類別標(biāo)記為D中樣本數(shù)最多的類;return

    end if

    從A中選擇最優(yōu)劃分屬性 ;

    for ?的每個(gè)值 ?do

    為node生成一個(gè)分支;令Dv表示D中在 上取值為 的樣本子集;

    If Dv為空 then

    將分支節(jié)點(diǎn)標(biāo)記為葉節(jié)點(diǎn),其它類別標(biāo)記為D中樣本數(shù)最多的類;return

    else

    以TreeGenerate(Dv,A\{a*})為分支節(jié)點(diǎn)

    end if

    end for

    1.2 ?隨機(jī)森林

    隨機(jī)森林(Random Forest)[22-23]是以決策樹為基礎(chǔ)的一種集成學(xué)習(xí)(Ensemble Learning)方法,從直觀角度來解釋,每棵決策樹都是一個(gè)分類器(分類問題),對于一個(gè)輸入樣本,N棵樹會有N個(gè)分類結(jié)果。而隨機(jī)森林集成了所有的分類投票結(jié)果,將投票次數(shù)最多的類別指定為最終的輸出,是一種Bagging思想[24],如圖2所示。

    本文將隨機(jī)森林用于特征選擇,其目標(biāo)有兩個(gè):

    (1)找出與因變量高度相關(guān)的特征變量;

    (2)選擇數(shù)目較少的特征變量并能夠充分預(yù)測目標(biāo)變量結(jié)果。

    假如每次選擇m個(gè)特征用于建模,步驟如下:

    Step1: 初步估計(jì)和排序

    a)對隨機(jī)森林中的特征變量按VI(variable importance)降序排序;

    b)確定刪除的特征比例,從當(dāng)前的特征變量中剔除相應(yīng)比例不重要的特征,得到一個(gè)新的特征集;

    c)用新的特征集建立新的隨機(jī)森林,并計(jì)算特征集中每個(gè)特征的VI,并排序;

    d)重復(fù)以上步驟,直到剩下m個(gè)特征值。

    Step2: 根據(jù)Step1中得到的每個(gè)特征集及其建立起來的隨機(jī)森林,計(jì)算對應(yīng)的袋外誤差率OOB(out-of-bag error)

    Step3:把Step2中OOB最低的特征集作為選定為建模特征。

    上述步驟中涉及特征值的重要性(VI)計(jì)算,在隨機(jī)森林中VI的計(jì)算方法如下:

    (1)對于隨機(jī)森林中的每棵樹,使用相應(yīng)的袋外數(shù)據(jù)計(jì)算它的袋外誤差率,記為OOB1;

    (2)隨機(jī)地對袋外數(shù)據(jù)的特征值(假如此時(shí)為X)假如噪音干擾(例如,隨機(jī)改變樣本在特征X出的值),再次計(jì)算它的袋外數(shù)據(jù)誤差,記為OOB2;

    (3)假設(shè)隨機(jī)森林中有Ntree棵樹,那么對于特征X重要性為 。如果給某個(gè)特征隨機(jī)假如噪音之后,袋外的準(zhǔn)確率大幅度降低,則說明該特征值對于樣本的分類影響大,也就是說該特征為重要的。

    此外,將隨機(jī)森林用于特征選擇還涉及到OOB的計(jì)算。我們知道,在構(gòu)建每棵樹時(shí),對訓(xùn)練集使用了不同的bootstrap sample(隨機(jī)且有放回地抽?。?。所以對于每棵樹而言(假設(shè)對于第k棵樹),大約有1/3的訓(xùn)練實(shí)例沒有參與第k棵樹的生成,它們稱為第k棵樹的OOB樣本,計(jì)算方法如下:

    (1)對每個(gè)樣本,計(jì)算它作為OOB樣本的樹對它的分類情況(每個(gè)樣本都在所有的樹中進(jìn)行分類);

    (2)然后以簡單多數(shù)投票作為該樣本的分類 結(jié)果;

    (3)最后用誤分個(gè)數(shù)占樣本總數(shù)的比率作為隨機(jī)森林的OOB誤分率。

    1.3 ?集成方法

    集成方法指有策略地建立多個(gè)模型并將其組合一起,解決特定計(jì)算智能問題的過程。在這種方法可以擴(kuò)展至任意學(xué)習(xí)器以建立集成模型,它生產(chǎn)多個(gè)分類器,然后將這些分類器的類別預(yù)測概率作為另一個(gè)分類器的輸入特征,這樣會提高預(yù)測的準(zhǔn)確率。如圖3所示。

    圖3中建立了三種不同的分類器,并使用它們的預(yù)測概率作為第四個(gè)不同分類器的輸入,以對測試集作出預(yù)測。

    1.4 ?人工神經(jīng)網(wǎng)絡(luò)

    人工神經(jīng)網(wǎng)絡(luò)(ANN)是由具有適應(yīng)性的簡單單元組成的廣泛并行互連網(wǎng)絡(luò),它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實(shí)世界物體所作出的交互反應(yīng)。

    神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的過程也是權(quán)重不斷調(diào)整過程,其步驟如下:

    (1)標(biāo)準(zhǔn)化輸入變量在0和1之間;

    (2)將網(wǎng)絡(luò)權(quán)重的初始值設(shè)定為0或隨機(jī)產(chǎn)生,通過各節(jié)點(diǎn)的函數(shù)來估計(jì)數(shù)據(jù)的目標(biāo)變量值;

    (3)比較實(shí)際值和估計(jì)值之間的誤差,并根據(jù)誤差值重新調(diào)整各權(quán)重的偏置;

    (4)反復(fù)執(zhí)行步驟2,直到實(shí)際值和估計(jì)值之間的誤差最小,此時(shí)停止學(xué)習(xí)以獲得最佳權(quán)重。

    2 ?準(zhǔn)備工作

    2.1 ?數(shù)據(jù)抽取

    本文通過政務(wù)信息共享平臺歸集的數(shù)據(jù)中抽取相關(guān)的數(shù)據(jù)集進(jìn)行清洗整合,整理歸集出可用于分析建模的有效數(shù)據(jù)。過程包括清洗轉(zhuǎn)換歷史檢查結(jié)果表,關(guān)聯(lián)融合企業(yè)基本信息與企業(yè)納稅信息表,從而得到企業(yè)特征值與檢查結(jié)果的關(guān)聯(lián)表,如圖5所示。

    (1)檢查結(jié)果表清洗

    從數(shù)據(jù)庫中抽取企業(yè)的歷史數(shù)據(jù),如表1所以。

    其中,“檢查結(jié)果”是本次項(xiàng)目的預(yù)測目標(biāo),由于檢查結(jié)果的數(shù)據(jù)是不規(guī)范的,需要進(jìn)一步整理,如表2所示。

    (2)企業(yè)數(shù)據(jù)表關(guān)聯(lián)

    本次項(xiàng)目建模中,我們把“檢查結(jié)果”表、“企業(yè)基本信息表”、“企業(yè)納稅金額”表進(jìn)行關(guān)聯(lián),使其關(guān)聯(lián)后整合成一整表。

    2.2 ?創(chuàng)建虛擬變量

    神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)準(zhǔn)備是非常重要的,因?yàn)樗械膮f(xié)變量和響應(yīng)變量都必須是數(shù)值型。為此,本文把數(shù)據(jù)集中變量為分類(factor)型的數(shù)據(jù)創(chuàng)建虛擬變量。

    虛擬變量(Dummy Variables)又稱虛設(shè)變量或啞變量,用以反映質(zhì)的屬性的一個(gè)人工變量,是量化了的自變量,通常取值為0或1。引入虛擬變量會使模型變得更復(fù)雜,但對問題描述更簡明,提高模型的精度,相當(dāng)于將不同屬性的樣本合并,擴(kuò)大了樣本容量(增加了誤差自由度,從而降低了誤差方差)。

    在模型中引入多個(gè)虛擬變量時(shí),原則如下:

    (1)如果模型有截距項(xiàng)

    有m種互斥的屬性類型,在模型中引入(m–1)個(gè)虛擬變量。

    (2)如果模型無截距項(xiàng)

    有m個(gè)特征,設(shè)置m個(gè)虛擬變量。

    2.3 ?特征選擇

    在機(jī)器學(xué)習(xí)中,我們經(jīng)常面臨這樣一個(gè)問題:我們手頭上擁有數(shù)據(jù)集往往含有很多的自變量,甚至有些數(shù)據(jù)集的自變量數(shù)(列)比觀察值數(shù)目(行)還要多。這種情況需要對特征進(jìn)行選擇,即從原有的特征中刪除影響不大或共線變量,保留那些對目標(biāo)變量(因變量)解釋好或者影響大的重要變量。這樣一方面可以提高建模過程中的運(yùn)算速度;另一方面對模型的解釋性更直觀,減低擬合模糊性。

    本文運(yùn)用隨機(jī)森林(RF)對3.1小節(jié)中抽取的原始數(shù)據(jù)(共有18個(gè)特征)進(jìn)行特征選擇,具體情況如下:

    (1)改變隨機(jī)數(shù)種子,算法運(yùn)行次數(shù)k=5,只選擇那些在k次運(yùn)行中都標(biāo)記為“Confirmed”的特征;

    (2)將訓(xùn)練數(shù)據(jù)分為n=10折,在沒折數(shù)據(jù)上分別進(jìn)行算法迭代,然后選擇那些在所有n折都標(biāo)記為“Confirmed”的特征;

    (3)迭代次數(shù)it=100。

    運(yùn)行結(jié)果如圖6所示。

    從圖6可知,應(yīng)用RF對原始數(shù)據(jù)進(jìn)行特征選擇后,特征由原來的18個(gè)縮減到12個(gè)(因變量除外)??梢杂眯碌奶卣鬟M(jìn)行更深入、更有意義的數(shù)據(jù)探索,提高建模工作效率及運(yùn)行速度。

    3 ?建模及分析

    本文基于廣州市工商行政等有關(guān)部門的真實(shí)數(shù)據(jù),分別應(yīng)用決策樹、集成方法(決策樹、梯度提升、元多自適應(yīng)回歸樣條)、人工神經(jīng)網(wǎng)絡(luò)對其建立預(yù)測模型(以變量“檢查結(jié)果”為因變量),并對模型的性能分析比較,深入研究企業(yè)運(yùn)行風(fēng)險(xiǎn)預(yù)測。

    建模環(huán)境如下:

    處理器為Intel(R) Core(TM) i5-4590 CPU@ 3.3 GHz;內(nèi)存為8 G;系統(tǒng)為64位Windows 7;運(yùn)行環(huán)境為R x64 3.4.3以及RStudio。

    數(shù)據(jù)集特征維度:

    數(shù)據(jù)集FSH_data擁有7988行(觀察值);13個(gè)變量(含因變量)。后期添加數(shù)據(jù)行繼續(xù)進(jìn)行研究。

    3.1 ?基于決策樹建模

    3.1.1 ?參數(shù)設(shè)置

    參數(shù)cp表示樹的復(fù)雜度,每一步分裂,模型的擬合度都會提高,但復(fù)雜度也會增加,初始設(shè)置為0.01;參數(shù)method表示構(gòu)建樹過程中所選擇的方法,一般有“連續(xù)型-anova;離散型(分類)-class,設(shè)置為class;參數(shù)minsplit表示節(jié)點(diǎn)中的樣本數(shù)量小于某個(gè)給定界限,設(shè)置為20;參數(shù)maxdepth表示樹的深度,設(shè)置為30。

    3.1.2 ?數(shù)據(jù)分配

    將數(shù)據(jù)集按7∶3比例分成兩個(gè)子集,其中訓(xùn)練集占7成,測試集占3成,并采用十折交叉法對其驗(yàn)證,如表8所示。

    3.1.3 ?建模結(jié)果

    模型tree.model的詳細(xì)性能如圖7所示。

    圖7(a)為模型tree.model性能參數(shù)描述。其中,cp為樹的偏差參數(shù),也叫復(fù)雜度參數(shù),在樹的構(gòu)建過程中,如果偏差(復(fù)雜度)減少到某一個(gè)給定的臨界值,樹的構(gòu)建將結(jié)束,從(a)看到,cp從0.165到設(shè)置的0.01,cp越小,模型越復(fù)雜,可讀性越差,所以要適當(dāng)控制cp的值;nsplit為分裂屬性結(jié)點(diǎn)數(shù),從結(jié)果知道,樹分裂到3個(gè)節(jié)點(diǎn)結(jié)束;rel error為相對誤差(與根節(jié)點(diǎn)比較),此處值為0.77,對應(yīng)cp=0.01;xerror和xstd是應(yīng)用十折交叉驗(yàn)證的估計(jì)誤差和標(biāo)準(zhǔn)差,這里分別是0.77、0.016。

    圖7(b)為模型tree.model交叉檢驗(yàn)(xerror)與復(fù)雜度(cp)的曲線圖,最優(yōu)的決策樹的交叉驗(yàn)證誤差為0.77(紅色虛線),對應(yīng)的cp為0.01,分裂節(jié)點(diǎn)為3個(gè),這與圖7(a)保持一致。

    圖7(c)為模型tree.model的混淆矩陣,本文將混淆矩陣的各項(xiàng)指標(biāo)作為評價(jià)模型性能。其中“Accuracy”表示模型分類的準(zhǔn)確率,有一個(gè)95%的置信區(qū)間(0.7295,0.7899),其準(zhǔn)確率為76%,從數(shù)值看表現(xiàn)不錯(cuò);“Kappa”是衡量模型分類一致性參數(shù),取值范圍為0~1,值越大表示模型的分類效果與數(shù)據(jù)的真實(shí)值越一致,當(dāng)0.4

    其中,Sensitivity稱之為“靈敏度”,即“召回率”,用TPR=TP/(TP+FN)表示,指所有正例中被分對的比例,衡量分類器對正例的識別能力,此出正例為“不正?!?,從圖中看到模型tree.model識別“不正常”(正例)類別能力為38.6%,表現(xiàn)欠佳;Specificity稱之為“特異度”,用TNR=TN/(FP+TN)表示,指所有負(fù)例中被分對的比例,衡量分類器對負(fù)例的識別能力,此處的負(fù)例為“正?!?,而且從圖中看到,模型tree.model識別“正?!保ㄘ?fù)例)類別能力為93.6%,表現(xiàn)甚佳。

    通過圖7各項(xiàng)數(shù)值指標(biāo)看到,雖然模型tree.model的預(yù)測準(zhǔn)確率為76%,正確識別負(fù)例的概率為93.6%,且P-Value=5.652e-07顯著,但其Kappa值及Sensitivity值表明模型的整體性能表現(xiàn)一般,有待提高。

    3.2 ?基于集成方法

    3.2.1 ?參數(shù)設(shè)置

    本文將分類算法決策樹、梯度提升、多元自適應(yīng)回歸樣條組合形成一個(gè)MLR集成方法,建立一個(gè)強(qiáng)分類器ensemble.model?;A(chǔ)學(xué)習(xí)器base.learners設(shè)置為learns;超級學(xué)習(xí)器super.learner設(shè)置為classif.logreg;預(yù)測類型predict.type設(shè)置為prob;學(xué)習(xí)方式mothod設(shè)置為stack.cv。

    3.2.2 ?數(shù)據(jù)分配

    為了公平比較,數(shù)據(jù)集的劃分與表8一致,此外,要為劃分的訓(xùn)練集創(chuàng)建task對象及組合各個(gè)分類算法:

    FSH_data.task<-makeClassTask(id=廣州企業(yè), data=train,target=type)

    base<-c(‘classif.rpart,classif.boosting,classif.earth)

    3.2.3 ?建模結(jié)果

    模型ensemble.model的詳細(xì)性能如圖8所示。

    圖8(a)為模型ensemble.model的混淆矩陣,與圖7(c)相比可以看到各項(xiàng)指標(biāo)參數(shù)都有所提高。例如,準(zhǔn)確率(Accuracy)從76%到78.7%提升,其置信區(qū)間為(0.7721,0.8015);Kappa值從0.386到0.57提升,一致性處于“可接受”水平;靈敏度(Sensitivity)、特異度(Specificity)也有所提升,分別為0.65、0.93,對比模型tree.model可知,模型ensemble.model在識別“不正常”(正例)類別能力提高明顯,而識別“正常”(負(fù)例)類別能力與模型tree.model相當(dāng),且P-Value=2.2e–16表明結(jié)果更加顯著。

    圖8(b)為模型ensemble.model的ROC曲線,它是反映Sensitivity(靈敏度)和Specificity(特異性)連續(xù)變量的綜合指標(biāo)。理想情況下,TPR(敏感度)應(yīng)該接近1,F(xiàn)PR(1-特異度)應(yīng)該接近0。對于一個(gè)分類器,ROC曲線上的每一個(gè)點(diǎn)對應(yīng)于一個(gè)threshold,比如threshold最大時(shí),TP=FP=0,對應(yīng)于原點(diǎn);threshold最小時(shí),TN=FN=0。另外,ROC曲線下方圖形圍成面積為AUC=0.764,說明模型ensemble.model有預(yù)測價(jià)值(注:AUC值越大,表示模型分類性能越優(yōu))。

    綜合上述可知,利用集成方法建立的模型極大地提升了分類器的預(yù)測。對于結(jié)果,我們可以從直觀理解為:如果把決策樹、提升法、多元自適應(yīng)回歸樣條各自看成專家,那么,集成方法即為專家們的智慧組合。

    3.3 ?基于人工神經(jīng)網(wǎng)絡(luò)

    3.3.1 ?參數(shù)設(shè)置

    本小節(jié)應(yīng)用神經(jīng)網(wǎng)絡(luò)對FSH_data數(shù)據(jù)集建立預(yù)測模型,并通過調(diào)節(jié)一些參數(shù)逐步提高其性能。參數(shù)說明如下:

    3.3.2 ?數(shù)據(jù)分配

    為了公平比較,數(shù)據(jù)集的劃分與表8一致,此外,要為劃分的訓(xùn)練集創(chuàng)建task對象及組合各個(gè)分類算法,由于因變量(檢查結(jié)果)是字符串的factor型,需要把其轉(zhuǎn)換成1/0數(shù)字的factor型:

    FSH_data$檢查結(jié)果<- ifelse(FSH_data$檢查結(jié)果==不正常,1,0)

    另外,還要按3.2小節(jié)的方法為數(shù)據(jù)集中非數(shù)值部分創(chuàng)建虛擬變量(因變量除外)。

    3.3.3 ?建模結(jié)果

    猜你喜歡
    隨機(jī)森林人工神經(jīng)網(wǎng)絡(luò)決策樹
    利用人工神經(jīng)網(wǎng)絡(luò)快速計(jì)算木星系磁坐標(biāo)
    一種針對不均衡數(shù)據(jù)集的SVM決策樹算法
    人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)簡單字母的識別
    電子制作(2019年10期)2019-06-17 11:45:10
    決策樹和隨機(jī)森林方法在管理決策中的應(yīng)用
    電子制作(2018年16期)2018-09-26 03:27:06
    隨機(jī)森林在棉蚜蟲害等級預(yù)測中的應(yīng)用
    基于二次隨機(jī)森林的不平衡數(shù)據(jù)分類算法
    軟件(2016年7期)2017-02-07 15:54:01
    拱壩變形監(jiān)測預(yù)報(bào)的隨機(jī)森林模型及應(yīng)用
    基于隨機(jī)森林算法的飛機(jī)發(fā)動機(jī)故障診斷方法的研究
    基于決策樹的出租車乘客出行目的識別
    基于肺癌CT的決策樹模型在肺癌診斷中的應(yīng)用
    高清欧美精品videossex| 午夜免费鲁丝| 美女 人体艺术 gogo| 免费高清在线观看日韩| 91麻豆精品激情在线观看国产 | 亚洲情色 制服丝袜| 99久久精品国产亚洲精品| 免费黄频网站在线观看国产| 免费在线观看日本一区| 中文字幕色久视频| 欧美在线一区亚洲| 美女高潮喷水抽搐中文字幕| 精品少妇一区二区三区视频日本电影| 可以免费在线观看a视频的电影网站| 国产精品久久久久久人妻精品电影| 天天影视国产精品| 丝袜在线中文字幕| 又黄又爽又免费观看的视频| 看黄色毛片网站| 亚洲色图综合在线观看| 精品一区二区三区四区五区乱码| 国产av精品麻豆| 两个人免费观看高清视频| 亚洲成人免费电影在线观看| 99久久99久久久精品蜜桃| www.精华液| 99精品久久久久人妻精品| 亚洲熟妇中文字幕五十中出 | www日本在线高清视频| 亚洲在线自拍视频| 日韩欧美在线二视频 | 不卡一级毛片| 在线十欧美十亚洲十日本专区| 欧美日韩国产mv在线观看视频| 看免费av毛片| 制服人妻中文乱码| 狂野欧美激情性xxxx| 日本wwww免费看| 麻豆av在线久日| 久久中文字幕人妻熟女| 国产欧美日韩精品亚洲av| 国产精品香港三级国产av潘金莲| www日本在线高清视频| 正在播放国产对白刺激| 国产97色在线日韩免费| 国产精品偷伦视频观看了| 一级片免费观看大全| 亚洲欧美一区二区三区黑人| 国产精品一区二区在线观看99| 午夜福利欧美成人| 亚洲成人免费av在线播放| 亚洲专区国产一区二区| 免费在线观看日本一区| 成人18禁在线播放| 美女 人体艺术 gogo| 日韩有码中文字幕| 亚洲aⅴ乱码一区二区在线播放 | 国产成人啪精品午夜网站| x7x7x7水蜜桃| 人人妻人人澡人人看| 久久性视频一级片| 亚洲精品自拍成人| 亚洲av熟女| 亚洲一码二码三码区别大吗| 精品一品国产午夜福利视频| 国产亚洲一区二区精品| 在线十欧美十亚洲十日本专区| 日日夜夜操网爽| 成人影院久久| 淫妇啪啪啪对白视频| 久久草成人影院| 日韩有码中文字幕| 丝袜人妻中文字幕| 黄色视频,在线免费观看| 99热只有精品国产| 午夜福利乱码中文字幕| 巨乳人妻的诱惑在线观看| av中文乱码字幕在线| 午夜视频精品福利| 国产高清视频在线播放一区| 侵犯人妻中文字幕一二三四区| 女同久久另类99精品国产91| 亚洲一区中文字幕在线| 9191精品国产免费久久| 国产1区2区3区精品| 国产人伦9x9x在线观看| 久久ye,这里只有精品| 久久久久视频综合| 热99re8久久精品国产| 99热网站在线观看| 国产男女内射视频| 午夜成年电影在线免费观看| 成人影院久久| 国产精品久久电影中文字幕 | 最新美女视频免费是黄的| 人人澡人人妻人| 一本大道久久a久久精品| 亚洲欧美精品综合一区二区三区| av不卡在线播放| 757午夜福利合集在线观看| 亚洲av片天天在线观看| 黑人猛操日本美女一级片| 多毛熟女@视频| 欧美丝袜亚洲另类 | 国产无遮挡羞羞视频在线观看| 成年人午夜在线观看视频| 又黄又爽又免费观看的视频| 男人舔女人的私密视频| 啦啦啦免费观看视频1| 国产av一区二区精品久久| 日韩欧美一区视频在线观看| 精品乱码久久久久久99久播| 啪啪无遮挡十八禁网站| 国产成人av教育| 亚洲精品乱久久久久久| 国产高清videossex| 亚洲色图综合在线观看| 久久国产精品影院| 亚洲国产欧美日韩在线播放| 精品亚洲成国产av| 另类亚洲欧美激情| 国产不卡av网站在线观看| 国产精品.久久久| 深夜精品福利| 成在线人永久免费视频| 欧美日韩成人在线一区二区| 一级片'在线观看视频| 精品久久久久久久久久免费视频 | 日本a在线网址| 亚洲av欧美aⅴ国产| 久99久视频精品免费| 亚洲精品国产一区二区精华液| 曰老女人黄片| 深夜精品福利| 成人国语在线视频| 国产乱人伦免费视频| 在线观看一区二区三区激情| 一本一本久久a久久精品综合妖精| 黄片小视频在线播放| 国内毛片毛片毛片毛片毛片| 国产精品久久电影中文字幕 | 欧美乱码精品一区二区三区| 日本欧美视频一区| 亚洲熟女精品中文字幕| 一本大道久久a久久精品| 国产不卡一卡二| av超薄肉色丝袜交足视频| 最新美女视频免费是黄的| 亚洲国产欧美日韩在线播放| 一夜夜www| 熟女少妇亚洲综合色aaa.| 黑人巨大精品欧美一区二区mp4| 欧美老熟妇乱子伦牲交| 日本vs欧美在线观看视频| 国产精品久久久久成人av| 男女午夜视频在线观看| 91精品三级在线观看| 中亚洲国语对白在线视频| 99热网站在线观看| 国产在线精品亚洲第一网站| 国产精品1区2区在线观看. | 国产xxxxx性猛交| 久久精品aⅴ一区二区三区四区| 十八禁网站免费在线| 国产成人精品无人区| 国产欧美日韩一区二区精品| 久久久国产成人免费| 18在线观看网站| 久久午夜亚洲精品久久| 别揉我奶头~嗯~啊~动态视频| 国产精品秋霞免费鲁丝片| 亚洲精品国产一区二区精华液| 国产成人一区二区三区免费视频网站| 91国产中文字幕| 99久久精品国产亚洲精品| 99riav亚洲国产免费| 大香蕉久久成人网| 亚洲五月天丁香| 高清毛片免费观看视频网站 | 亚洲 国产 在线| 午夜福利视频在线观看免费| 久热这里只有精品99| 日本黄色日本黄色录像| videosex国产| 69av精品久久久久久| 母亲3免费完整高清在线观看| 久久午夜亚洲精品久久| 色婷婷av一区二区三区视频| 色综合欧美亚洲国产小说| 黑人猛操日本美女一级片| 丝袜美足系列| 欧美精品亚洲一区二区| 在线观看66精品国产| 飞空精品影院首页| 在线观看一区二区三区激情| 99精品欧美一区二区三区四区| 国产有黄有色有爽视频| 成人手机av| 日韩有码中文字幕| e午夜精品久久久久久久| 国产成人欧美在线观看 | av线在线观看网站| 亚洲,欧美精品.| 精品免费久久久久久久清纯 | 下体分泌物呈黄色| 久热爱精品视频在线9| 欧美乱色亚洲激情| 美女福利国产在线| 91大片在线观看| 亚洲情色 制服丝袜| 午夜成年电影在线免费观看| 久久这里只有精品19| 在线观看日韩欧美| 久久午夜亚洲精品久久| 这个男人来自地球电影免费观看| 国产一区二区激情短视频| 欧美精品高潮呻吟av久久| 动漫黄色视频在线观看| 女性被躁到高潮视频| 又黄又粗又硬又大视频| 久久热在线av| 亚洲精品乱久久久久久| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲精品一二三| 午夜91福利影院| 亚洲avbb在线观看| 一区二区三区精品91| 久久99一区二区三区| 高清视频免费观看一区二区| 高清视频免费观看一区二区| 90打野战视频偷拍视频| 老司机午夜十八禁免费视频| 十分钟在线观看高清视频www| 久久久国产成人免费| 久久九九热精品免费| 男人操女人黄网站| 大香蕉久久成人网| 男女免费视频国产| 青草久久国产| 中文字幕最新亚洲高清| 久久精品亚洲精品国产色婷小说| 777久久人妻少妇嫩草av网站| ponron亚洲| 国产欧美日韩一区二区三区在线| 老司机靠b影院| 在线视频色国产色| 国产精品二区激情视频| 捣出白浆h1v1| 亚洲人成电影观看| 大片电影免费在线观看免费| 中文字幕精品免费在线观看视频| 精品一区二区三区视频在线观看免费 | 亚洲男人天堂网一区| 日韩熟女老妇一区二区性免费视频| 国产伦人伦偷精品视频| 18在线观看网站| 大码成人一级视频| 日日爽夜夜爽网站| 动漫黄色视频在线观看| 亚洲欧美色中文字幕在线| 日韩欧美三级三区| 俄罗斯特黄特色一大片| 久久香蕉激情| 免费av中文字幕在线| 91九色精品人成在线观看| 999久久久精品免费观看国产| 久久精品aⅴ一区二区三区四区| 91成年电影在线观看| 久久香蕉激情| 久久人妻av系列| 侵犯人妻中文字幕一二三四区| 精品人妻在线不人妻| 大香蕉久久网| 交换朋友夫妻互换小说| 在线观看日韩欧美| 国产精品永久免费网站| 91九色精品人成在线观看| 亚洲熟女毛片儿| 日本欧美视频一区| 99在线人妻在线中文字幕 | 国产人伦9x9x在线观看| 韩国av一区二区三区四区| 建设人人有责人人尽责人人享有的| av天堂在线播放| 久久精品国产亚洲av香蕉五月 | 欧洲精品卡2卡3卡4卡5卡区| 精品高清国产在线一区| 麻豆成人av在线观看| 99国产极品粉嫩在线观看| 男女床上黄色一级片免费看| 国产亚洲精品久久久久5区| 午夜精品久久久久久毛片777| 国产精品 欧美亚洲| 久久久久国产精品人妻aⅴ院 | 嫁个100分男人电影在线观看| 精品欧美一区二区三区在线| 国产99久久九九免费精品| 动漫黄色视频在线观看| 国产不卡av网站在线观看| 丝袜人妻中文字幕| 91大片在线观看| 在线观看免费视频日本深夜| 精品国产一区二区三区四区第35| 国产成人精品无人区| 老司机福利观看| 不卡av一区二区三区| 亚洲第一av免费看| 狠狠婷婷综合久久久久久88av| 国产极品粉嫩免费观看在线| 50天的宝宝边吃奶边哭怎么回事| 亚洲欧美激情在线| 涩涩av久久男人的天堂| 成人免费观看视频高清| 国产精华一区二区三区| 十分钟在线观看高清视频www| 久久人人爽av亚洲精品天堂| 在线观看免费视频日本深夜| 久久精品aⅴ一区二区三区四区| 麻豆av在线久日| 黑人猛操日本美女一级片| 亚洲午夜精品一区,二区,三区| 免费看a级黄色片| 日韩欧美一区二区三区在线观看 | 免费观看人在逋| 两人在一起打扑克的视频| 精品高清国产在线一区| 天天影视国产精品| 免费人成视频x8x8入口观看| 成熟少妇高潮喷水视频| 欧美日韩精品网址| 精品国产美女av久久久久小说| 亚洲精华国产精华精| svipshipincom国产片| 国产精品亚洲一级av第二区| 国产主播在线观看一区二区| 天堂中文最新版在线下载| 国产成人一区二区三区免费视频网站| 一区二区三区国产精品乱码| 成人av一区二区三区在线看| 欧美黄色片欧美黄色片| 日韩人妻精品一区2区三区| 国产成人啪精品午夜网站| 色婷婷久久久亚洲欧美| 精品久久久久久,| 日韩欧美免费精品| 日本vs欧美在线观看视频| 成人精品一区二区免费| 纯流量卡能插随身wifi吗| 亚洲精品美女久久久久99蜜臀| 在线观看午夜福利视频| 欧美另类亚洲清纯唯美| 国产精品一区二区精品视频观看| 久久精品国产亚洲av香蕉五月 | av国产精品久久久久影院| 欧美日韩亚洲高清精品| 精品乱码久久久久久99久播| 99在线人妻在线中文字幕 | 欧美精品人与动牲交sv欧美| 在线观看免费视频网站a站| 亚洲国产欧美一区二区综合| 欧洲精品卡2卡3卡4卡5卡区| 99久久99久久久精品蜜桃| 一边摸一边抽搐一进一出视频| 精品人妻1区二区| 午夜免费成人在线视频| 两个人免费观看高清视频| 精品一品国产午夜福利视频| 女人久久www免费人成看片| 黄色视频,在线免费观看| 欧美成狂野欧美在线观看| av国产精品久久久久影院| 一级a爱视频在线免费观看| 国产精品久久久av美女十八| 国产精品久久久久久人妻精品电影| 国产欧美日韩综合在线一区二区| 久久久久国产一级毛片高清牌| 亚洲欧美日韩高清在线视频| 超碰97精品在线观看| 国产一区有黄有色的免费视频| 久久久久精品人妻al黑| 国产成人精品久久二区二区91| 久久久国产一区二区| 久久精品国产综合久久久| 不卡一级毛片| 每晚都被弄得嗷嗷叫到高潮| 美女高潮到喷水免费观看| 中国美女看黄片| 久久草成人影院| 免费人成视频x8x8入口观看| 成人亚洲精品一区在线观看| 这个男人来自地球电影免费观看| 怎么达到女性高潮| 亚洲三区欧美一区| 在线视频色国产色| 国产精品久久久人人做人人爽| 久久中文字幕一级| 黑人欧美特级aaaaaa片| 9热在线视频观看99| 亚洲欧美色中文字幕在线| 国产男女超爽视频在线观看| 无人区码免费观看不卡| 久久热在线av| 久热爱精品视频在线9| 国产xxxxx性猛交| 国产一区二区三区在线臀色熟女 | 9191精品国产免费久久| 涩涩av久久男人的天堂| 国产三级黄色录像| 两性夫妻黄色片| 成年女人毛片免费观看观看9 | 国产精品乱码一区二三区的特点 | tube8黄色片| 天堂中文最新版在线下载| 三级毛片av免费| 人人妻人人添人人爽欧美一区卜| 国产精品免费视频内射| 欧美av亚洲av综合av国产av| 国产成人精品久久二区二区91| x7x7x7水蜜桃| 99精品在免费线老司机午夜| 午夜两性在线视频| videosex国产| 欧美日韩一级在线毛片| www.熟女人妻精品国产| 欧美激情久久久久久爽电影 | 国产男女超爽视频在线观看| 久久久久国内视频| 9191精品国产免费久久| 国产男靠女视频免费网站| 成在线人永久免费视频| 成人三级做爰电影| 亚洲国产精品合色在线| 午夜福利欧美成人| 最新的欧美精品一区二区| 久久草成人影院| 日韩免费高清中文字幕av| 亚洲成人免费av在线播放| 国产av又大| 人妻丰满熟妇av一区二区三区 | 成人精品一区二区免费| 9热在线视频观看99| 国产99白浆流出| 男人舔女人的私密视频| 露出奶头的视频| √禁漫天堂资源中文www| 777久久人妻少妇嫩草av网站| 久热这里只有精品99| 9热在线视频观看99| 日韩成人在线观看一区二区三区| videosex国产| 高潮久久久久久久久久久不卡| 欧美日韩黄片免| 日韩欧美免费精品| 国产成人av激情在线播放| 国产精品久久久久久精品古装| 亚洲久久久国产精品| 国产亚洲欧美98| 一级毛片精品| 侵犯人妻中文字幕一二三四区| 在线天堂中文资源库| 如日韩欧美国产精品一区二区三区| 99久久99久久久精品蜜桃| 精品国产国语对白av| av线在线观看网站| 午夜福利免费观看在线| 午夜精品在线福利| 国产精品欧美亚洲77777| 飞空精品影院首页| 黄片小视频在线播放| 国产精品成人在线| 国产高清国产精品国产三级| 亚洲av成人不卡在线观看播放网| 久久香蕉国产精品| 老司机午夜福利在线观看视频| 久久久久久免费高清国产稀缺| 日本黄色日本黄色录像| 久久久国产成人免费| 亚洲一区中文字幕在线| 精品视频人人做人人爽| 亚洲五月天丁香| 超碰成人久久| 精品一区二区三卡| 亚洲精品中文字幕一二三四区| 久久国产亚洲av麻豆专区| 久久国产乱子伦精品免费另类| 后天国语完整版免费观看| 国产成人免费无遮挡视频| 乱人伦中国视频| 亚洲色图 男人天堂 中文字幕| 窝窝影院91人妻| 欧美+亚洲+日韩+国产| 91国产中文字幕| 看片在线看免费视频| 91麻豆精品激情在线观看国产 | 亚洲一区二区三区不卡视频| 午夜福利,免费看| 免费在线观看黄色视频的| 在线观看免费高清a一片| 99热只有精品国产| 亚洲人成电影免费在线| 亚洲欧美日韩另类电影网站| 亚洲久久久国产精品| x7x7x7水蜜桃| 中文字幕制服av| 99国产综合亚洲精品| 国产成人欧美在线观看 | 国产午夜精品久久久久久| 精品久久久久久电影网| 亚洲精品中文字幕在线视频| 19禁男女啪啪无遮挡网站| 色尼玛亚洲综合影院| 亚洲精品在线美女| 国产免费现黄频在线看| 制服人妻中文乱码| 每晚都被弄得嗷嗷叫到高潮| 国产成人精品在线电影| 人人澡人人妻人| 日韩制服丝袜自拍偷拍| 91av网站免费观看| 亚洲在线自拍视频| 亚洲 国产 在线| 国产有黄有色有爽视频| 一级毛片高清免费大全| 国产一区在线观看成人免费| e午夜精品久久久久久久| 侵犯人妻中文字幕一二三四区| 人人妻人人爽人人添夜夜欢视频| 精品欧美一区二区三区在线| 亚洲欧美激情在线| 日本黄色日本黄色录像| 搡老乐熟女国产| 欧美+亚洲+日韩+国产| 国产精品成人在线| 亚洲一区二区三区不卡视频| 国产淫语在线视频| 日本撒尿小便嘘嘘汇集6| 一级a爱视频在线免费观看| 欧美黄色片欧美黄色片| 国产麻豆69| 九色亚洲精品在线播放| 欧美老熟妇乱子伦牲交| 在线观看日韩欧美| 亚洲va日本ⅴa欧美va伊人久久| 久久国产精品大桥未久av| 欧美成人免费av一区二区三区 | 一级毛片精品| a级片在线免费高清观看视频| 如日韩欧美国产精品一区二区三区| 国产成人精品久久二区二区免费| 国产xxxxx性猛交| 亚洲精华国产精华精| 亚洲 欧美一区二区三区| 午夜福利,免费看| 99久久精品国产亚洲精品| 日韩制服丝袜自拍偷拍| cao死你这个sao货| 亚洲欧洲精品一区二区精品久久久| 日韩精品免费视频一区二区三区| 两性夫妻黄色片| 亚洲成人手机| 成年人免费黄色播放视频| 狂野欧美激情性xxxx| 十八禁高潮呻吟视频| 最近最新免费中文字幕在线| 日日爽夜夜爽网站| 久久久久精品人妻al黑| 国产精品亚洲av一区麻豆| 欧美日韩精品网址| 午夜亚洲福利在线播放| av天堂久久9| 午夜视频精品福利| 国产av又大| 免费日韩欧美在线观看| 久久久久久久午夜电影 | 国产视频一区二区在线看| av有码第一页| 久久久久国产一级毛片高清牌| 亚洲国产毛片av蜜桃av| 如日韩欧美国产精品一区二区三区| 国产精品电影一区二区三区 | 18在线观看网站| 日日爽夜夜爽网站| 国产午夜精品久久久久久| 人妻久久中文字幕网| 亚洲国产看品久久| 在线观看日韩欧美| 老熟妇乱子伦视频在线观看| 亚洲精品粉嫩美女一区| 免费在线观看日本一区| 美女午夜性视频免费| 18禁黄网站禁片午夜丰满| 好男人电影高清在线观看| 18在线观看网站| 精品国产超薄肉色丝袜足j| 亚洲av第一区精品v没综合| 精品国产乱子伦一区二区三区| 国产欧美亚洲国产| 亚洲在线自拍视频| 国产精品九九99| 精品国产乱子伦一区二区三区| 亚洲熟妇中文字幕五十中出 | 国产欧美日韩综合在线一区二区| 飞空精品影院首页| 久久亚洲真实| 变态另类成人亚洲欧美熟女 | 中文字幕人妻丝袜一区二区| 精品久久久久久久久久免费视频 | a在线观看视频网站| 在线观看免费视频日本深夜| 亚洲国产精品一区二区三区在线| 又黄又粗又硬又大视频| 19禁男女啪啪无遮挡网站| 亚洲成人手机| 亚洲熟妇熟女久久| 香蕉久久夜色|