对特征选择和特征提取方法进行比较研究,用于识别金融困境
Dovilė Kuizinienė1, Paulius Savickas1, Rimantė Kunickaitė1
1Department of Applied Informatics, Vytautas Magnus University, Kaunas, Lithuania.
PeerJ. Computer science
|June 10, 2024
概括
识别企业的财务困境至关重要. 这项研究结合了缩小维度和机器学习,发现一个带有30个随机森林选择的特征的人工神经网络提供了最佳的分类性能.
科学领域:
- 商业与经济学 商业与经济学
- 计算机科学和数据科学 计算机科学和数据科学
背景情况:
- 识别金融困境对于经济稳定至关重要.
- 仅依赖金融比率的传统方法由于数据扩展而不足.
- 数据的维度增加导致数据稀疏和模型过拟合.
研究的目的:
- 提出一个高效的金融困境分类框架,使用缩小维度和机器学习.
- 为了确定一个最优的子集的特征,最大限度地减少损失函数的金融困境预测.
- 提高金融危机分类模型的准确性.
主要方法:
- 对比了15种缩小维度的技术和17种机器学习模型.
- 在立陶宛企业数据 (2015-2022) 上进行了1432次实验.
- 使用的随机森林平均下降基尼 (RF_MDG) 用于特征选择.
主要成果:
- 人工神经网络 (ANN) 模型获得了最高的曲线下面面积 (AUC) 得分.
- 使用RF_MDG技术选择的30个特征获得了最佳性能.
- 引入了一种新的特征提取方法.
结论:
- 拟议的框架有效地减少了维度,并改善了金融困境分类.
- 结合先进的特征选择和机器学习模型,可以提高预测准确度.
- 该研究提供了一种强大的方法来识别企业的财务困境.
