ترجمه به کارگیری یادگیری منیفلد هیبرید و ماشین های بردار پشتیبانی در پیش بینی عدم موفقیت شرکت

توضیحات

 عنوان فارسی: به کارگیری یادگیری منیفلد هیبرید و ماشین های بردار پشتیبانی در پیش بینی عدم موفقیت شرکت

عنوان انگلیسی مقاله ترجمه شده:

The use of hybrid manifold learning and support vector machines in the prediction of business failure

چکیده

پیش بینی عدم موفقیت در کسب و کار، مسئله ای مهم و چالش برانگیز است که به عنوان انگیزه بسیاری از مطالعات دانشگاهی در سه دهه اخیر به کار رفته است. این مقاله یک مدل یادگیری منیفلد هیبرید را پیشنهاد می کند که از ترکیب الگوریتم نگاشت ویژگی های ایزوترمیک (ISOMAP) و ماشین های بردار پشتیبانی (SVM) برای پیش بینی عدم موفقیت شرکت ها بر مبنای داده های عملکرد اقتصادی پیشین آن ها، عمل می کند. این روش با استفاده از الگوریتم ISOMAP کاهش ابعاد را انجام داده، و سپس از آن به عنوان یک پیش پردازنده برای بهبود قابلیت پیش بینی عدم موفقیت شرکت توسط SVM به کار گرفته می شود. برای ایجاد یک معیار، تحلیل مولفه های اصلی (PCA) و SVM را با روش هیبرید پیشنهادی خود مقایسه کرده ایم. نتایج آزمایشگاهی نشان می دهد که روش هیبرید ما نه تنها بهترین نرخ طبقه بندی را دارد، بلکه کمترین میزان وقوع خطاهای نوع II را ایجاد کرده، و قادر است به پیش بینی های دقیق و بهبود یافته ای دست یافته و راهنمایی هایی برای تصمیم گیران در جهت شناسایی و پیشگیری از بحران های اقتصادی بالقوه در مراحل ابتدایی، ایجاد می کند.

1. مقدمه

پیش بینی عدم موفقیت در کسب و کار، مسئله ای مهم و چالش برانگیز است که به عنوان انگیزه بسیاری از مطالعات دانشگاهی در سه دهه اخیر به کار رفته است. عدم موفقیت شرکت واژه ای عمومی بوده و بنا به تعریف گسترده اش، موقعیتی است که یک شرکت نمی تواند بدهی بدهکاران، سهام داران، تامین کنندگان و غیره را پرداخته و یا حسابش خالی گشته و یا شرکت قانونا ورشکست شده باشد. شیوع اخیر بحران های مالی شرکت ها در سراسر دنیا، نیاز به اصلاح ساختار اقتصادی موجود را شدت بخشیده است. عموما اعتقاد بر این است که نشانه های عدم موفقیت اقتصادی را می توان پیش از مشکلات یا بحران های مالی مشاهده کرد. بنابراین مدل های پیش بینی عدم موفقیت دقیق شرکت ها دارای اهمیت ویژه ای برای تصمیم گیری مدیران، سرمایه گذاران، سهام داران و دیگر افراد علاقه مند می باشد، چراکه مدل ها برای آن ها هشدار های به موقعی از وضعیت واقعی شرکت می دهند.

بسیاری روش های مرتبط دیگر در زمینه مطالعات مقایسه ای که مربوط به چندین مقاله مروری هستند، مورد مطالعه قرار گرفته است. اخیرا، کومار و راوی و وریکاس و همکاران مرور کاملی بر روش های مورد استفاده برای پیش بینی عدم موفقیت شرکت ها را بررسی کرده و تمایلات جدید در این زمینه را معرفی کرده اند.

مطالعات ابتدایی پیش بینی عدم موفقیت شرکت ها، از روش های آماری مانند روش های آماری تک متغیره، تحلیل گسسته چندگانه (MDA)، مدل های احتمال خطی و تحلیل های لوجیت و پروبیت استفاده کرده اند تا اطلاعات مورد نظر را جمع کنند. با این حال، این روش های آماری رایج، باید برخی از فرضیات محدود کننده مانند خطی بودن، نرمالیته و استقلال متغیر های پیش بینی کننده و ورودی را ارضا کنند. با توجه به اینکه نقض این فرضیات برای متغیرهای مستقل به مراتب در داده های اقتصادی رخ می دهد، روش های سنتی در زمینه کارایی و اعتبار دارای محدودیت هستند.

روش های هوش مصنوعی مانند شبکه های عصبی (NN) در رابطه با این فرضیات به میزان کمتری آسیب پذیر بوده و می توانند به عنوان روش های جایگزین برای حل مسایل پیش بینی به کار روند. شبکه های عصبی قابلیت بهتری در پیش بینی عدم موفقیت شرکت نسبت به MDA و رگرسیون منطقی از خود نشان داده است. ماشین های برداری پشتیبانی توسعه داده شده توسط واپنیک، شهرت زیادی به دلیل ویژگی های جذاب و کارایی عمومی عالی در بسیاری از مسایل، کسب کرده است. بعلاوه SVM متضمن اصول کمینه سازی ریسک ساختاری (SRM) بوده، که نشان داده شده است برتر از اصول کمینه سازی ریسک سنتی (ERM) به کار گرفته توسط شبکه های عصبی رایج می باشد. مین و لی نشان داده اند که SVM برای پیش بینی عدم موفقیت شرکت ها، بهتر از شبکه های عصبی، MDA و رگرسیون منطقی عمل می کند.

ترجمه مقالات

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.