مشخصات مقاله | |
ترجمه عنوان 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 |
انتشار | مقاله سال 2021 |
تعداد صفحات مقاله انگلیسی | 10 صفحه |
هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
پایگاه داده | نشریه الزویر |
نوع نگارش مقاله |
مقاله پژوهشی (Research Article) |
مقاله بیس | این مقاله بیس میباشد |
نمایه (index) | Scopus – Master Journals List – JCR |
نوع مقاله | ISI |
فرمت مقاله انگلیسی | |
ایمپکت فاکتور(IF) |
7.550 در سال 2020 |
شاخص H_index | 195 در سال 2020 |
شاخص SJR | 2.049 در سال 2020 |
شناسه ISSN | 0148-2963 |
شاخص Quartile (چارک) | Q1 در سال 2020 |
فرضیه | ندارد |
مدل مفهومی | ندارد |
پرسشنامه | ندارد |
متغیر | ندارد |
رفرنس | دارد |
رشته های مرتبط | مدیریت، اقتصاد، حسابداری |
گرایش های مرتبط | مدیریت مالی، حسابداری مالی، اقتصاد مالی |
نوع ارائه مقاله |
ژورنال |
مجله | مجله پژوهش کسب و کار – Journal of Business Research |
کلمات کلیدی | 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 |
شناسه دیجیتال – doi |
https://doi.org/10.1016/j.jbusres.2021.03.018 |
کد محصول | E15595 |
وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
فهرست مطالب مقاله: |
Abstract Keywords Research methodology Acknowledgements References Vitae |
بخشی از متن مقاله: |
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. |