درخت تصمیم

پیشینه و اهداف: یکی از معیارهای تصمیم گیری برای سرمایه گذاری در یک شرکت بورسی، میزان یا تغییرات قیمت سهام آن شرکت در روزها و ماه های آتی است. روش های متعددی برای پیش بینی قیمت سهام و ریسک سرمایه گذاری در یک شرکت، مورد مطالعه قرار گرفته است. در اکثر این روش ها، قیمت سهام به عنوان یک متغیر پاسخ پیوسته پیش بینی شده است. برای این منظور، از مدل های سری زمانی استفاده می شود که در آنها پذیره هایی ازجمله نرمال بودن اغتشاش ها و یا خطی بودن مدل اهمیت دارد. هدف از این پژوهش، معرفی یک متغیر پاسخ دو رده ای براساس جهت حرکت قیمت سهم در روز آتی و معرفی چند روش رده بندی آماری برای پیش بینی آن است. این مدل ها، محدودیت های مدل های گذشته را ندارند و به همین دلیل مورد توجه هستند. پیاده سازی روش های مورد مطالعه و مقایسه دقت آنها در پیش بینی جهت حرکت قیمت سهام شرکت های بیمه بورسی هدف اصلی این مقاله است. روش شناسی: در پژوهش حاضر با استفاده از الگوریتم های K-نزدیک ترین همسایه ها، درخت تصمیم و جنگل تصادفی که در زمره روش های ناپارامتری رده بندی یادگیری آماری می باشند، به پیش بینی جهت حرکت قیمت سهام پرداخته ایم. داده های مورد استفاده در این تحقیق شامل اطلاعات قیمت سهام یکی از شرکت های بیمه در طی سال های 1390 تا 1400 است که سهم مناسب و بالایی در پرتفوی صنعت بیمه دارد. برای تعیین دقت مدل های مورد مطالعه، داده ها به صورت تصادفی به دو دسته آموزشی و آزمایشی تقسیم شدند. سپس مدل های یادگیری آماری روی داده های آموزشی اجرا و اعتبار آنها با استفاده از داده های آزمایشی سنجیده شد. یافته ها : نتایج تحقیق حاکی از دقت بالای هر سه مدل ناپارامتری در پیش بینی رده قیمت سهام شرکت بیمه مورد نظر است. همچنین در بین مدل های مورد مطالعه، الگوریتم K-نزدیک ترین همسایه ها نسبت به سایر الگوریتم ها در پیش بینی جهت حرکت قیمت سهام عملکرد بهتری از خود نشان داد. نتیجه گیری: با توجه به اهمیت ریسک سرمایه گذاری در یک شرکت بیمه برای مشتریان، یافتن مدل مناسب برای رده بندی قیمت سهام و مشخص نمودن متغیرهای مؤثر در افزایش یا کاهش قیمت، می تواند به مشتریان و شرکت های بیمه در تصمیم گیری بهتر کمک کند.

درک رفتار نیروی کار در مواردی که مربوط به تصمیم افراد به انجام اضافه کاری است، در ارزیابی دقیق اثرات سیاست های اشتغال زایی، از اهمیت اساسی برخوردار می باشد؛ با توجه به اینکه موضوع اضافه کاری در تحلیل های مربوط به منابع انسانی و نظام بازارکار در اقتصاد کلان، تا حدودی نادیده گرفته شده است، این مقاله به بررسی این موضوع از طریق تحلیل رفتار نیروی کار ایران با استفاده از آمار هزینه و درآمد خانوارهای شهری برای دوره زمانی 99-1384 پرداخته و عواملی که بر تصمیم گیری فرد در خصوص اضافه کاری تأثیرگذار هستند را مورد مطالعه و بررسی قرار می دهد. روش مورد استفاده در این مطالعه، الگوریتم داده کاوی درخت تصمیم می باشد که به ما این امکان را می دهد تا با پی بردن به توزیع زیربنایی داده های اخذ شده از مجموعه افراد مورد بررسی، بتوانیم رفتار آن ها را مطالعه کرده و در مورد آن استنتاج منطقی و مفید داشته باشیم. نتایج حاکی از این است که اضافه کاری به سختی با ویژگی های سطح فردی مانند سن، تحصیلات، جنسیت، نگرش های کاری و یا هر عامل غیرقابل مشاهده ای که این متغیرها نماینده آن هستند، تعریف می شود، اما می توان آن را به وضعیت شغلی و مهارتی که نیروی کار دارد، ویژگی های ساختاری بازار کار و همین طور دهک هزینه ای که خانوار در آن قرار دارد نسبت داد. این نتایج می تواند پیامدهای قابل توجهی هم برای افراد و هم برای سیاست گذاران، به جهت تخصیص بهینه نیروی کار داشته باشد.

مطابق قانون، بیمه مرکزی ج. ا. ایران موظف است در محاسبه حق بیمه های رشته بیمه ای خسارات وارد شده به شخص ثالث در اثر حوادث ناشی از وسایل نقلیه، ویژگی های راننده نیز مورد توجه قرار دهد؛ از این رو، در این مقاله با استفاده از داده های یک شرکت بیمه طی شش سال به بررسی نحوه اثرگذاری ویژگی سن بیمه گذاران بر وقوع خسارت ها پرداخته ایم. نتایج آزمون دو نمونه ای کولموگروف-اسمیرنف، گویای اثر گذاری ویژگی سن بر وقوع خسارت ها است. به دلیل تفاوت جمعیت سنی بیمه گذاران چهار گروه اصلی وسایل نقلیه، محاسبات، برای گروه های مختلف خودرو به صورت مجزا انجام شده است. با استفاده از احتمال شرطی، احتمال وقوع خسارت را برای هر رده سنی محاسبه نموده ایم. همچنین براساس سه ویژگی ثبت شده از بیمه گذاران شامل سن، جنسیت و نوع مشتری درخت تصمیم را محاسبه نموده ایم. براساس نتایج، در خودروهای سواری، بارکش و موتورسیکلت، احتمال وقوع خسارت به ترتیب برای بیمه گذاران با سنین کمتر از 22 سال، 30 سال و 25 سال به میزان قابل توجهی بالاتر است. بنابراین بر اساس اصول بیم سنجی، از بیمه گذاران این سنین حق بیمه بالاتری می باید دریافت شود. همچنین، بیش از 50% از خسارت های منجر به آسیب های جانی در تمام انواع خودرو، متعلق به رانندگانی است که بیمه گذار نبوده اند؛ بنابراین خودروهایی که رانندگان متعدد دارند، می باید حق بیمه بالاتری پرداخت کنند. ویژگی سن بیمه گذاران خودروهای اتوکار تأثیر قابل توجهی بر نرخ خسارت ها نداشته است.

هدف: مقایسه قابلیت های سه الگوریتم مختلف درخت تصمیم و مدل شبکه عصبی به منظور انتخاب مدل طبقه بندی مناسب برای ارزیابی عملکرد داوطلبان آزمون سراسریروش پژوهش: مبتنی بر رویکرد کمّی و با روش پیمایشی است و از متغیرهای جنسیت، سوابق تحصیلی و نمره های تراز هر یک از دروس به عنوان متغیرهای موثر در طبقه بندی استفاده گردید.یافته ها: با در نظر گرفتن همه متغیرها بدون جنسیت براساس مدل شبکه عصبی، مشخص شد که دروس تخصصی ریاضی، فیزیک و شیمی سپس دروس عمومی فارسی و دینی به ترتیب بیشترین اهمیت را در طبقه بندی دارند. فاصله دیپلم تا آزمون سراسری کمترین تاثیر را داشت. همچنین مشخص شد در صورتی که تنها متغیرهای مربوط به دروس آزمون در نظر گرفته شود ترتیب میزان اهمیت دروس شیمی و فیزیک جابه جا می شود.نتیجه گیری: با استناد به شاخص دقت کلی، الگوریتم مدل شبکه عصبی با دقت بیشتر از 95/0 از عملکرد بالا تری نسبت به الگوریتم های درخت تصمیم برخوردار است. از طرفی ورود متغیرهای سوابق تحصیلی در دقت الگوریتم شبکه عصبی تاثیر مطلوبی داشته است.