الگوریتم آدابوست

تحلیل درماندگی مالی و تعیین احتمال درمانده شدن قبل از بروز درماندگی موضوعی بااهمیت برای سرمایه گذاران، اعتباردهندگان و مدیران می باشد. در این پژوهش با استفاده از اطلاعات شش سال مالی طی دوره 1390 الی 1395 در بخش کشاورزی و مواد غذایی به بررسی عوامل مؤثر بر درماندگی مالی و پیش بینی آن با استفاده از الگوریتم آدابوست و طبقه بندی احتمالی بیز پرداخته شده است. از تأثیر مستقیم تورم، ریسک مالی و تأثیر معکوس نسبت مدیران غیرموظف، بازده سالانه سهام و نسبت وجه نقد عملیاتی بر درماندگی مالی می باشد. همچنین نتایج نشان می دهد که الگوریتم تقویت انطباقی آدابوست با استفاده از داده های مالی و اقتصادی توانایی بالاتری نسبت به روش طبقه بندی احتمالی بیز در پیش بینی درماندگی مالی دارد. نتایج این تحقیق می تواند به صورت کاربردی موردتوجه مدیران بخش کشاورزی و مواد غذایی بورس اوراق بهادار تهران قرار گیرد که با پیش بینی درماندگی مالی در شرکت ها و کار کردن بر روی عوامل مؤثر بر آن، نسبت به مدیریت کردن جذب سرمایه سهامداران، کاهش ریسک بحران های مالی و کمک به سرمایه گذاران جهت اجتناب از زیان های بزرگ در بازار سهام، اقدام نمایند.

مقدمه: بیماری کبدی یکی از بیماری های شایع و خطرناک می باشد و تشخیص بهموقع این بیماری می تواند در پیشگیری از عوارض، کنترل و درمان بیماری بسیار موثر باشد. هدف پژوهش حاضر بهبود الگوریتم آدابوست با الگوریتم کرم شب تاب برای تشخیص بیماری کبد می باشد. روش ها: مطالعه حاضر، از نوع توصیفی-تحلیلی می باشد. مجموعه داده آن شامل 583 رکورد مستقل شامل 10 ویژگی موجود در مجموعه داده یادگیری ماشین دانشگاه کالیفرنیا، ایروین ((UCI) University of California, Irvine) می باشد. در این مقاله از ترکیب الگوریتم آدابوست و کرم شب تاب در راستای افزایش کارایی تشخیص بیماری کبد استفاده شده است. از 80 درصد داده ها جهت آموزش و از 20 درصد باقی مانده جهت آزمون استفاده شده است که این مبنا توسط ارزیابی های مختلف انتخاب شده است. یافته ها: نتایج نشان داد که عملکرد مدل ترکیبی با انتخاب ویژگی در مقایسه با حالت بدون انتخاب ویژگی بهتر است. البته انتخاب ویژگی های مهم در عملکرد مدل ترکیبی موثر هستند. درصد صحت (accuracy) مدل ترکیبی با پنج ویژگی در بهترین حالت برابر با 6/98 درصد و درحالت کلی و با تمام ویژگی ها برابر با 1/94 درصد است. در مقایسه کلی، مدل ترکیبی در مقایسه با اغلب مدل های داده کاوی از درصد صحت بیشتری برخوردار است. نتیجه گیری: با توجه به نتایج به دست آمده مطالعه حاضر، مدل ترکیبی در تشخیص و طبقه بندی افراد سالم و ناسالم می تواند نقش مؤثری در کمک به پزشکان داشته باشد و در مراکز پزشکی برای بالا بردن دقت، سرعت و کاهش هزینه ها می توان از این مدل استفاده نمود. نمی توان ادعا کرد که مدل ترکیبی در مقایسه با کل مدل ها بهتر است اما در مقایسه با بیشتر مدل ها دارای درصد صحت بیشتری است.