Page 139 - 高校财务管理转型与发展

第四章 数字化转型的技术路径

预算指标的未来趋势，神经网络算法和支持向量机算法则可以用于处理复杂的非
线性关系。在实际应用中，可以根据数据的特点和问题的复杂度选择合适的算法。
（二）预算动态调整模型的验证

1. 数据划分
为了验证模型的有效性，需要将收集到的数据划分为训练集和测试集。训练
集用于模型的训练和参数优化，测试集用于评估模型的性能。通常，将数据集按
照一定的比例（如 70% ∶ 30%）划分为训练集和测试集。

2. 性能指标选择
选择合适的性能指标来评估模型的性能。常用的性能指标包括均方误差
（MSE）、平均绝对误差（MAE）、决定系数（R²）等。均方误差和平均绝对
误差可以衡量模型预测值与实际值之间的误差大小，决定系数可以衡量模型对数

据的拟合程度。
3. 模型验证过程
将训练集数据输入模型中进行训练，通过不断调整模型的参数，使模型的性
能达到最优。然后，将测试集数据输入训练好的模型中，计算模型的性能指标。

如果模型的性能指标满足要求，则说明模型具有较好的预测能力和稳定性。
4. 敏感性分析
为了进一步验证模型的可靠性，还需要进行敏感性分析。敏感性分析可以分
析模型对不同输入变量的敏感程度，确定哪些变量对模型的输出影响较大。通过

敏感性分析，可以找出模型的关键影响因素，为企业的预算管理提供决策依据。
（三）模型的优化与改进
在模型验证过程中，如果发现模型的性能指标不理想，需要对模型进行优化
和改进。优化的方法包括调整模型的结构、选择更合适的算法、增加数据的维度

等。通过不断地优化和改进模型，可以提高模型的预测精度和稳定性，为企业的
预算动态调整提供更可靠的支持。
通过以上预算动态调整模型的构建与验证过程，可以建立一个基于大数据的
预算动态调整模型，实现预算的实时动态调整，提高企业的预算管理水平和决策

效率。

125