• <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
    视频区欧美日本亚洲| 国产一区二区激情短视频| 成年版毛片免费区| 国产又黄又爽又无遮挡在线| 亚洲欧美日韩无卡精品| 99国产极品粉嫩在线观看| 我的老师免费观看完整版| 精品久久久久久久人妻蜜臀av| 成年免费大片在线观看| 成人午夜高清在线视频| aaaaa片日本免费| 999精品在线视频| 国内精品一区二区在线观看| www.精华液| 美女高潮的动态| 成年免费大片在线观看| 中国美女看黄片| 九九热线精品视视频播放| 亚洲熟妇熟女久久| 久久中文看片网| 国产不卡一卡二| 国产不卡一卡二| 18禁国产床啪视频网站| 1024香蕉在线观看| 十八禁网站免费在线| 嫩草影院精品99| а√天堂www在线а√下载| 男女视频在线观看网站免费| 国产精品 国内视频| 18禁国产床啪视频网站| 97人妻精品一区二区三区麻豆| 亚洲自拍偷在线| 日本黄大片高清| 12—13女人毛片做爰片一| 不卡一级毛片| av中文乱码字幕在线| 亚洲电影在线观看av| 国产一区在线观看成人免费| 亚洲,欧美精品.| 国产精品日韩av在线免费观看| 午夜福利免费观看在线| 91av网站免费观看| 亚洲黑人精品在线| 啪啪无遮挡十八禁网站| 最近在线观看免费完整版| 在线观看午夜福利视频| 久久精品91无色码中文字幕| 日日干狠狠操夜夜爽| 国产精品久久久久久人妻精品电影| 一个人观看的视频www高清免费观看 | 国产久久久一区二区三区| 国产亚洲精品久久久com| www.www免费av| av女优亚洲男人天堂 | 国产精品99久久99久久久不卡| 亚洲欧美精品综合一区二区三区| 国产高潮美女av| 久久国产乱子伦精品免费另类| 又粗又爽又猛毛片免费看| www日本黄色视频网| 美女黄网站色视频| 女生性感内裤真人,穿戴方法视频| av在线天堂中文字幕| 国产成人影院久久av| 亚洲av第一区精品v没综合| 国产精品一区二区免费欧美| 免费搜索国产男女视频| a在线观看视频网站| 久久久国产成人免费| 黄频高清免费视频| 亚洲欧美精品综合一区二区三区| 色老头精品视频在线观看| 欧美日韩精品网址| 国产精品98久久久久久宅男小说| 国产成+人综合+亚洲专区| 91九色精品人成在线观看| 欧美高清成人免费视频www| 99久久99久久久精品蜜桃| 激情在线观看视频在线高清| 亚洲av成人不卡在线观看播放网| 午夜福利欧美成人| 日韩欧美三级三区| 国产一区二区三区在线臀色熟女| 99国产精品一区二区蜜桃av| 日韩av在线大香蕉| 午夜福利视频1000在线观看| 久久久国产成人免费| 欧美另类亚洲清纯唯美| 免费一级毛片在线播放高清视频| 国产亚洲精品综合一区在线观看| 亚洲国产精品合色在线| 国语自产精品视频在线第100页| 欧美日韩瑟瑟在线播放| 不卡一级毛片| 久久精品人妻少妇| 午夜福利在线观看免费完整高清在 | 巨乳人妻的诱惑在线观看| 好看av亚洲va欧美ⅴa在| 波多野结衣巨乳人妻| 熟女电影av网| 日韩精品青青久久久久久| 成人三级黄色视频| 久久久国产欧美日韩av| 国产免费av片在线观看野外av| 国产一区二区在线av高清观看| 久久久久久久午夜电影| 成年女人永久免费观看视频| 嫩草影院精品99| 宅男免费午夜| 午夜福利18| 国产精品久久久久久久电影 | 狂野欧美激情性xxxx| 嫁个100分男人电影在线观看| 18禁裸乳无遮挡免费网站照片| 亚洲精品久久国产高清桃花| 男人和女人高潮做爰伦理| 真人一进一出gif抽搐免费| 国产黄a三级三级三级人| www.999成人在线观看| 免费电影在线观看免费观看| 亚洲中文av在线| 又大又爽又粗| 日本免费a在线| 搡老妇女老女人老熟妇| 99久久精品热视频| 欧美av亚洲av综合av国产av| 中文字幕人成人乱码亚洲影| 国产熟女xx| 看片在线看免费视频| 欧美激情久久久久久爽电影| 国产精品1区2区在线观看.| 丁香六月欧美| 91九色精品人成在线观看| 一个人看视频在线观看www免费 | 精品无人区乱码1区二区| 丝袜人妻中文字幕| 国产69精品久久久久777片 | 成人三级做爰电影| 国产激情久久老熟女| 91老司机精品| 香蕉久久夜色| 人人妻人人澡欧美一区二区| 亚洲18禁久久av| 精品国产三级普通话版| 亚洲精品粉嫩美女一区| 免费高清视频大片| 亚洲七黄色美女视频| 88av欧美| 91av网一区二区| 此物有八面人人有两片| 免费看光身美女| 黄色成人免费大全| 麻豆成人av在线观看| 曰老女人黄片| 免费一级毛片在线播放高清视频| 欧美一级毛片孕妇| 最新在线观看一区二区三区| 国产视频内射| 精品国产乱子伦一区二区三区| 成人无遮挡网站| 久久中文字幕一级| 中文字幕人成人乱码亚洲影| 成在线人永久免费视频| 国产成人影院久久av| 女人被狂操c到高潮| 欧美日韩福利视频一区二区| 亚洲欧美激情综合另类| 亚洲欧美精品综合久久99| 成年女人毛片免费观看观看9| 一边摸一边抽搐一进一小说| 国产成人aa在线观看| 欧美一级毛片孕妇| 男女那种视频在线观看| 亚洲中文日韩欧美视频| 成人永久免费在线观看视频| 国语自产精品视频在线第100页| 欧美日韩精品网址| 不卡一级毛片| 精品人妻1区二区| 又黄又爽又免费观看的视频| 欧美日韩综合久久久久久 | 男人和女人高潮做爰伦理| 亚洲国产精品成人综合色| 啪啪无遮挡十八禁网站| 色精品久久人妻99蜜桃| 桃红色精品国产亚洲av| 免费看日本二区| 色av中文字幕| 丁香六月欧美| 国产伦精品一区二区三区四那| 欧美绝顶高潮抽搐喷水| 日本与韩国留学比较| 国产又色又爽无遮挡免费看| 久久久久久久久久黄片| av在线天堂中文字幕| 欧美成人性av电影在线观看| 噜噜噜噜噜久久久久久91| 国产精品爽爽va在线观看网站| 亚洲五月天丁香| 法律面前人人平等表现在哪些方面| 国产精品久久电影中文字幕| 99久久国产精品久久久| 18禁美女被吸乳视频| 在线观看免费午夜福利视频| 亚洲第一欧美日韩一区二区三区| www.精华液| netflix在线观看网站| 亚洲成av人片在线播放无| 可以在线观看毛片的网站| 色尼玛亚洲综合影院| 久久久精品大字幕| 国产精品一区二区免费欧美| 麻豆久久精品国产亚洲av| 日本熟妇午夜| 国产高清三级在线| 国产69精品久久久久777片 | 国产精品亚洲美女久久久| 亚洲精品乱码久久久v下载方式 | 欧美一区二区精品小视频在线| 香蕉久久夜色| 国产亚洲精品一区二区www| 999久久久精品免费观看国产| 动漫黄色视频在线观看| 超碰成人久久| 色视频www国产| 国产成人精品久久二区二区91| 给我免费播放毛片高清在线观看| 久久久久九九精品影院| 丝袜人妻中文字幕| 免费观看的影片在线观看| www.www免费av| 国产成人av教育| 国产三级黄色录像| 18禁美女被吸乳视频| 亚洲黑人精品在线| 97超级碰碰碰精品色视频在线观看| 午夜久久久久精精品| 啦啦啦观看免费观看视频高清| 色尼玛亚洲综合影院| 亚洲七黄色美女视频| 窝窝影院91人妻| 国产精品野战在线观看| 香蕉久久夜色| 精品一区二区三区视频在线 | 亚洲国产精品合色在线| 中文字幕人成人乱码亚洲影| 美女高潮喷水抽搐中文字幕| 久久精品综合一区二区三区| 欧美日韩黄片免| 亚洲五月天丁香| 久久久国产精品麻豆| 亚洲最大成人中文| 国产精品1区2区在线观看.| 午夜免费观看网址| 亚洲九九香蕉| 精品免费久久久久久久清纯| 久久久久九九精品影院| 精品日产1卡2卡| 亚洲电影在线观看av| 久久这里只有精品中国| 天堂动漫精品| 久久久久久久午夜电影| 男插女下体视频免费在线播放| 超碰成人久久| 波多野结衣高清作品| 欧美极品一区二区三区四区| 成人特级黄色片久久久久久久| 少妇裸体淫交视频免费看高清| 欧美极品一区二区三区四区| 精品人妻1区二区| 91在线精品国自产拍蜜月 | 在线免费观看不下载黄p国产 | 舔av片在线| 法律面前人人平等表现在哪些方面| 大型黄色视频在线免费观看| 后天国语完整版免费观看| 亚洲va日本ⅴa欧美va伊人久久| 草草在线视频免费看| 国产精品亚洲av一区麻豆| 成人高潮视频无遮挡免费网站| 久久香蕉国产精品| 校园春色视频在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 午夜福利在线观看吧| 国产高清三级在线| 久久精品夜夜夜夜夜久久蜜豆| 久久久久九九精品影院| 精品福利观看| 久久精品综合一区二区三区| 国产精品野战在线观看| av欧美777| 精品一区二区三区四区五区乱码| 国产伦一二天堂av在线观看| 国产午夜精品久久久久久| 欧美极品一区二区三区四区| 99久久久亚洲精品蜜臀av| 久久天躁狠狠躁夜夜2o2o| 精品久久蜜臀av无| 欧美一区二区精品小视频在线| 俺也久久电影网| 日日夜夜操网爽| 香蕉av资源在线| 久久久色成人| 99视频精品全部免费 在线 | 日本 欧美在线| 国产一区在线观看成人免费| 国产真人三级小视频在线观看| 黄色视频,在线免费观看| 变态另类丝袜制服| 日本三级黄在线观看| 午夜两性在线视频| 91在线精品国自产拍蜜月 | 国产精品,欧美在线| 欧美性猛交╳xxx乱大交人| 久久草成人影院| 亚洲国产欧美网| 国产免费av片在线观看野外av| 国产精品久久视频播放| 国产精品亚洲美女久久久| 日韩成人在线观看一区二区三区| 后天国语完整版免费观看| 精品国内亚洲2022精品成人| 国产精品久久久人人做人人爽| 国产亚洲精品久久久com| 国产成人啪精品午夜网站| 国产精品99久久99久久久不卡| 国产免费av片在线观看野外av| 午夜精品在线福利| 国产精品一区二区精品视频观看| 岛国视频午夜一区免费看| 黄片大片在线免费观看| 色综合欧美亚洲国产小说| 18禁观看日本| 国产淫片久久久久久久久 | 一个人免费在线观看的高清视频| 老司机午夜福利在线观看视频| 国产乱人视频| 亚洲成人中文字幕在线播放| 国产精品亚洲av一区麻豆| 亚洲 欧美一区二区三区| 日本成人三级电影网站| 欧美性猛交黑人性爽| 99热这里只有是精品50| 国产精品99久久99久久久不卡| 91在线精品国自产拍蜜月 | 看片在线看免费视频| 久久久久久人人人人人| 男人和女人高潮做爰伦理| 99久久精品一区二区三区| 色吧在线观看| bbb黄色大片| 亚洲专区国产一区二区| 91字幕亚洲| 国模一区二区三区四区视频 | 巨乳人妻的诱惑在线观看| 麻豆国产av国片精品| 亚洲欧美日韩高清在线视频| 婷婷六月久久综合丁香| 国产一区二区在线av高清观看| 国产成人精品久久二区二区91| 听说在线观看完整版免费高清| 午夜福利在线在线| 亚洲欧美精品综合久久99| 国产v大片淫在线免费观看| 中文在线观看免费www的网站| 欧美激情久久久久久爽电影| 99久久久亚洲精品蜜臀av| 午夜福利在线在线| 在线观看66精品国产| 草草在线视频免费看| 久久精品aⅴ一区二区三区四区| 亚洲av日韩精品久久久久久密| 51午夜福利影视在线观看| 成人亚洲精品av一区二区| 黑人操中国人逼视频| 亚洲av成人不卡在线观看播放网| 99国产极品粉嫩在线观看| 在线免费观看的www视频| 免费观看的影片在线观看| 欧美3d第一页| 亚洲在线自拍视频| 国内少妇人妻偷人精品xxx网站 | 五月玫瑰六月丁香| 麻豆国产av国片精品| 亚洲性夜色夜夜综合| 色精品久久人妻99蜜桃| 亚洲一区高清亚洲精品| 成人欧美大片| 一个人看视频在线观看www免费 | 国产精品久久久人人做人人爽| 深夜精品福利| 国内毛片毛片毛片毛片毛片| 欧美成人一区二区免费高清观看 | 高清毛片免费观看视频网站| 久久性视频一级片| 99久久综合精品五月天人人| 在线播放国产精品三级| 国产在线精品亚洲第一网站| 超碰成人久久| 小说图片视频综合网站| 免费在线观看影片大全网站| 亚洲国产高清在线一区二区三| 成人一区二区视频在线观看| 一本综合久久免费| 国产精品一区二区三区四区免费观看 | 淫妇啪啪啪对白视频| 午夜福利18| 亚洲国产精品sss在线观看| 岛国在线观看网站| 国产精品亚洲美女久久久| 在线观看66精品国产| 一进一出好大好爽视频| 久久久久久大精品| 久久亚洲真实| 一夜夜www| 久久中文字幕一级| 国产午夜精品久久久久久| 一边摸一边抽搐一进一小说| 国产精品美女特级片免费视频播放器 | 日本撒尿小便嘘嘘汇集6| 91麻豆av在线| 啦啦啦观看免费观看视频高清| 精品一区二区三区av网在线观看| 99热精品在线国产| 99久久精品一区二区三区| 怎么达到女性高潮| 亚洲自偷自拍图片 自拍| 男女午夜视频在线观看| 国产精品,欧美在线| 亚洲精品粉嫩美女一区| 色精品久久人妻99蜜桃| 久久久久久久久免费视频了| 99久久综合精品五月天人人| 18禁美女被吸乳视频| 精品久久久久久久末码| 99热这里只有精品一区 | 国内精品美女久久久久久| 在线视频色国产色| 听说在线观看完整版免费高清| 18美女黄网站色大片免费观看| or卡值多少钱| 女人高潮潮喷娇喘18禁视频| 露出奶头的视频| 91老司机精品| 黑人操中国人逼视频| 真实男女啪啪啪动态图| 国产午夜精品论理片| 三级国产精品欧美在线观看 | 国产一区二区在线观看日韩 | 人妻夜夜爽99麻豆av| 国产精品久久久久久亚洲av鲁大| 久久精品国产清高在天天线| 18禁美女被吸乳视频| 99久久精品国产亚洲精品| 中文亚洲av片在线观看爽| 欧美在线黄色| 国产精品亚洲一级av第二区| 色在线成人网| 国产私拍福利视频在线观看| 成年女人永久免费观看视频| 日韩高清综合在线| 久久久精品大字幕| 丁香六月欧美| 国产一级毛片七仙女欲春2| 国产不卡一卡二| 亚洲国产色片| 最近最新中文字幕大全电影3| 草草在线视频免费看| 免费搜索国产男女视频| 免费看美女性在线毛片视频| 国产精品一及| 日本黄色片子视频| a级毛片a级免费在线| 女人高潮潮喷娇喘18禁视频| 成人特级av手机在线观看| 男插女下体视频免费在线播放| 国产 一区 欧美 日韩| 亚洲无线观看免费| 97人妻精品一区二区三区麻豆| 久久亚洲真实| 国产精品一区二区免费欧美| 亚洲欧美日韩无卡精品| 两个人视频免费观看高清| www国产在线视频色| 18禁观看日本| 少妇裸体淫交视频免费看高清| 国产69精品久久久久777片 | 国产成人精品无人区| 黑人操中国人逼视频| 亚洲黑人精品在线| 久久久久久久久中文| 亚洲欧美日韩卡通动漫| 在线国产一区二区在线| 亚洲七黄色美女视频| 一级毛片女人18水好多| 久久久国产精品麻豆| 美女扒开内裤让男人捅视频| 色综合亚洲欧美另类图片| 国产麻豆成人av免费视频| 欧美日本亚洲视频在线播放| 欧美日韩乱码在线| 757午夜福利合集在线观看| 女生性感内裤真人,穿戴方法视频| 无限看片的www在线观看| 亚洲av电影在线进入| 岛国在线观看网站| 欧美日韩中文字幕国产精品一区二区三区| 欧美乱码精品一区二区三区| 黄片小视频在线播放| 精品久久久久久久人妻蜜臀av| 国产私拍福利视频在线观看| 午夜久久久久精精品| 午夜视频精品福利| 国产日本99.免费观看| 日本五十路高清| 国产成人欧美在线观看| av在线蜜桃| 国产成人欧美在线观看| 午夜免费成人在线视频| 欧美极品一区二区三区四区| 又粗又爽又猛毛片免费看| 国产成人aa在线观看| 日韩成人在线观看一区二区三区| 亚洲人成伊人成综合网2020| 亚洲国产精品999在线| 国产视频内射| 九九久久精品国产亚洲av麻豆 | 精品国产三级普通话版| 久久热在线av| 亚洲av电影在线进入| 老熟妇乱子伦视频在线观看| 最近在线观看免费完整版| 91av网一区二区| 久久草成人影院| 男女床上黄色一级片免费看| 久久精品国产综合久久久| 国模一区二区三区四区视频 | 国产单亲对白刺激| 美女黄网站色视频| 麻豆国产av国片精品| 亚洲成人中文字幕在线播放| 精品国产乱子伦一区二区三区| 久久精品aⅴ一区二区三区四区| 欧美最黄视频在线播放免费| 久久久久亚洲av毛片大全| 99久久综合精品五月天人人| 此物有八面人人有两片| 成熟少妇高潮喷水视频| 男女午夜视频在线观看| 国产视频内射| 久久国产乱子伦精品免费另类| 禁无遮挡网站| 午夜免费成人在线视频| x7x7x7水蜜桃| 啦啦啦免费观看视频1| e午夜精品久久久久久久| 美女黄网站色视频| 搡老熟女国产l中国老女人| 俄罗斯特黄特色一大片| 全区人妻精品视频| 久久精品91无色码中文字幕| 午夜福利高清视频| 好男人在线观看高清免费视频| av国产免费在线观看| 看免费av毛片| 成年女人永久免费观看视频| 国产精品1区2区在线观看.| 中亚洲国语对白在线视频| 男人舔女人的私密视频| 美女cb高潮喷水在线观看 | 亚洲精华国产精华精| 国产精品98久久久久久宅男小说| 亚洲国产色片| 久久久久久人人人人人| 欧美中文综合在线视频| 国产高清激情床上av| 一级毛片精品| 亚洲欧美一区二区三区黑人| 曰老女人黄片| 免费搜索国产男女视频| 小说图片视频综合网站| 男人的好看免费观看在线视频| 成人特级黄色片久久久久久久| 久久久色成人| 我的老师免费观看完整版| 69av精品久久久久久| 老司机深夜福利视频在线观看| 欧美在线一区亚洲| 亚洲中文字幕一区二区三区有码在线看 | 精品电影一区二区在线| 亚洲国产中文字幕在线视频| 亚洲激情在线av| 国产成+人综合+亚洲专区| 俄罗斯特黄特色一大片| 老熟妇乱子伦视频在线观看| 中文字幕精品亚洲无线码一区| 亚洲成人久久性| 欧美一级毛片孕妇| 亚洲中文av在线| www.熟女人妻精品国产| 最好的美女福利视频网| 国产欧美日韩一区二区精品| 婷婷精品国产亚洲av| 丝袜人妻中文字幕| 久久精品亚洲精品国产色婷小说| 狠狠狠狠99中文字幕| 国产熟女xx| а√天堂www在线а√下载| 欧美最黄视频在线播放免费| 午夜免费成人在线视频| 国产淫片久久久久久久久 | 婷婷六月久久综合丁香| 欧美3d第一页| 在线a可以看的网站| 99国产精品一区二区蜜桃av|