Optimization of cluster-based evolutionary undersampling for the artificial neural networks in corporate bankruptcy prediction

ما اثربخشی روش ترکیبی با استفاده از تکنیک خوشه بندی و الگوریتم های ژنتیکی مبتنی بر مدل شبکه های عصبی مصنوعی برای تعادل نسبت میان اقلیت و کلاس اکثریت مورد بررسی قرار گرفت. هدف از این مقاله، ایجاد بهترین مجموعه داده های آموزشی مناسب برای کاهش بی اختیاری داده ها و بهبود دقت طبقه بندی است. ما مجموعه داده های به درستی متعادل را که از نمونه های بهینه یا نزدیک به مطلوب برای مدل شبکه های عصبی مصنوعی ساخته شده است استخراج کردیم. مشارکت اصلی روش پیشنهادی این است که ما دانش اکتشافی را بر اساس شناخت ساختار داده ها استخراج و نمونه ها را از طریق روش خوشه بندی در هنگام انجام بهینه سازی همزمان برای مدل سازی شبکه های عصبی مصنوعی استخراج می کنیم. علاوه بر این، ما به راحتی می توانیم بدانیم که چرا نمونه ها توسط نمایندگی دانش فرمان قاعده انتخاب شده اند و قدرت بیان معیارهای انتخاب نمونه ها را افزایش می دهد. روش پیشنهادی به منظور پیش بینی ورشکستگی با استفاده از داده های مالی که نسبت به شرکت های ورشکستگی کوچک و متوسط ​​در صنعت تولیدی نسبت به شرکت های عدم ورشکستگی بسیار کم است، استفاده می شود.