پیش بینی ورشکستگی شرکت ها با استفاده از الگوریتم های طبقه بندی و مدلهای ترکیبی الگوریتم ها
Publish place: The first specialized conference on intelligent computer systems and their applications
Publish Year: 1390
Type: Conference paper
Language: Persian
View: 3,541
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
ITICS01_066
Index date: 31 March 2012
پیش بینی ورشکستگی شرکت ها با استفاده از الگوریتم های طبقه بندی و مدلهای ترکیبی الگوریتم ها abstract
طبق پژوهشهای گذشته دقت مدلهای مختلف آماری و هوش مصنوعی به منظور پیش بینی ورشکستگی شرکت ها متفاوت بوده است و لذا انجام پژوهشهای مقایسه ای به منظور تعیین دقت هریک از مدلها می تواند جذاب باشد دراین پژوهش با کمک ابزار داده کاوی که می توانددر برگیرنده مجموعه ای از مدلهای مختلف باشد به ازمون توان پیش بینی پرکاربردترین مدلهای پیش بینی ورشکستگی و درماندگی مالی استفاده شده در پژوهشهای مختلف از قبیل شبکه عصبی رگرسیون لجستیک، ماشین بردار پشتیبان شبکه های بیزین درخت های تصمیم QUEST,CHID,C5,CART پرداخته شدها ست دراین پژوهش ابتدا الگوریتمهای طبقه بندی به لحاظ میزان صحت در پیش بینی ورشکستگی اولویت بندی می شود و سپس با ترکیب الگوریتمهایی که بالاترین میزان دقت را دارند بهترین مدل جهت پیش بینی ورشکستگی گزینش می شود نتایج بیانگر آن است که ترکی بمدلها دردووضعیت QUEST,C5 و QUEST,NN,CHAID,C5 برای پیش بینی شرکتهای ورشکسته و سالم در سال t سال t برای شرکتهای ورشکسته سال ورشکستگی برای شرکتهایسالم سال قرار گرفتن در نمونه است از صحت بالاتری برخوردار است.
پیش بینی ورشکستگی شرکت ها با استفاده از الگوریتم های طبقه بندی و مدلهای ترکیبی الگوریتم ها Keywords:
داده کاوی spss clementine12.0 پیش بینی ورشکستگی
پیش بینی ورشکستگی شرکت ها با استفاده از الگوریتم های طبقه بندی و مدلهای ترکیبی الگوریتم ها authors
مهناز آهنگری
دانشگاه آزاد اسلامی دانشجوی کارشناسی ارشد حسابداری نیشابور
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :