ترجمه نشده
مقاله انگلیسی تکنیک های طبقه بندی گروه برای بهبود پیش بینی مشکلات مالی
عنوان فارسی مقاله: ترکیب ویژگی ها ، انتخاب نمونه ها و تکنیک های طبقه بندی گروه برای بهبود پیش بینی مشکلات مالی
عنوان انگلیسی مقاله: Combining feature selection, instance selection, and ensemble classification techniques for improved financial distress prediction
مجله/کنفرانس: مجله پژوهش کسب و کار - Journal of Business Research
رشته های تحصیلی مرتبط: مدیریت، اقتصاد، حسابداری
گرایش های تحصیلی مرتبط: مدیریت مالی، حسابداری مالی، اقتصاد مالی
کلمات کلیدی فارسی: داده کاوی، یادگیری گروهی، انتخاب ویژگی، پیش بینی بحران مالی، انتخاب نمونه
کلمات کلیدی انگلیسی: Data mining - Ensemble learning - Feature selection - Financial distress prediction - Instance selection
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.jbusres.2021.03.018
ایمپکت فاکتور: 7.550 در سال 2020
شاخص H_index: 195 در سال 2020
شاخص SJR: 2.049 در سال 2020
شاخص Quartile (چارک): Q1 در سال 2020
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: ندارد
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (انگلیسی) Abstract
Keywords
Research methodology
Acknowledgements
References
Vitae
بخشی از مقاله (انگلیسی) ABSTRACT
Bankruptcy prediction and credit scoring are major problems in financial distress prediction. Studies have shown that prediction models can be made more effective by performing data preprocessing procedures. Moreover, classifier ensembles are likely to outperform single classifiers. Although feature selection, instance selection, and classifier ensembles are known to affect final prediction results, their combined effects on bankruptcy prediction and credit scoring problems have not been fully explored. This study compares the performance of three feature selection algorithms, three instance selection algorithms, four classification algorithms, and two ensemble learning techniques. The results obtained using five bankruptcy prediction and five credit scoring datasets indicate that by carefully considering the combination of these three factors, better prediction models can be developed than by considering only one related factor.
