کارایی شبکه های عصبی، رگرسیون لجستیک و تحلیل تمایزی در پیش بینی نکول
Authors
Abstract:
مدل های آماری مختلفی برای پیش بینی و طبقه بندی در علوم وجود دارد. روش های آماری و اقتصادسنجی نظیر رگرسیون، تحلیل تمایزی، سری های زمانی، رده بندی و دیگر روش ها، بر اساس متغیرها و اطلاعات موجود برای پیش بینی و طبقه بندی یک موضوع خاص به کار می روند. مدل های آماری متأثر از مفروضات و محدودیت های زیادی هستند، بدین لحاظ اخیرا شبکه های عصبی به عنوان شیوه ی نوین پیش بینی به دلیل عدم نیاز به فروض و محدودیت ها در توزیع داده ها و کارایی بالاتر آن مورد توجه ویژه قرار گرفته است. هدف از این مقاله مقایسه ی توانایی مدل های شبکه ی عصبی مصنوعی با رگرسیون لجستیک و تحلیل تمایزی برای پیش بینی ریسک نکول است. با استفاده از اطلاعات 23801 قرارداد لیزینگ و انتخاب متغیرهای مدت قرارداد، مبلغ قرارداد، نوع صنعت، نوع قرارداد، نوع تضمین و خط مشی و سیاست اعتباری به عنوان متغیرهای پیش بین مدل های رگرسیون لجستیک، تحلیل تمایزی و شبکه ی عصبی برازش شد. از تحلیل راک و مقایسه ی صحت طبقه بندی برای مقایسه ی قدرت پیش بینی مدل ها استفاده شد. نتایج حاکی از معنی دار بودن متغیرهای فوق در پیش بینی نکول بوده و مقایسه ی قدرت پیش بینی مدل ها موید برتری شبکه های عصبی نسبت به رگرسیون لجستیک و تحلیل تمایزی است.
similar resources
مقایسه عملکردمدلهای رگرسیون لجستیک وتحلیل تمایزی در پیش بینی نکول در لیزینگ
تامین مالی در اقتصاد های نوظهور چالش بسیار مهمی است .چون سیستم بانکی هم محدود می باشد از این رو لیزینگ به عنوان ابزار کارامدی در این زمینه محسوب می شود اما در لیزینگ هم به دلیل وجود ریسک های متعدد که به عنوان تهدید در این زمینه محسوب می شود بایستی راه کارهایی برای کنترل ومدیریت این ریسکها وبویژه ریسک نکول اندیشیده شود بدین علت پیش بینی نکول در اولویت است تا برای مواجه با آن آمادگی در شرکتهای لی...
15 صفحه اولمقایسه دقت پیش بینی شبکه های عصبی مصنوعی و رگرسیون لجستیک دو متغیره در تشخیص همزمان بیماری فشارخون و دیابت
Background : Diabetes and hypertension are from important non-communicable diseases in the world and their prevalence are very important for health authorities. The objective of this study was to compare the predictive precision of joint logistic regression (LR) and artificial neutral network (ANN) in concurrent diagnosis of diabetes and hypertension. Methods : This cross-sectional study wa...
full textواکاوی کارایی روش های مبتنی بر شبکه های عصبی مصنوعی و رگرسیون خطی چندمتغیره در پیش بینی کشند
پیشبینی تغییرات کشند، بهدلیل اهمیتی که در برنامهریزیهای ناوگان دریایی و نظامی، حمل و نقل و کشتیرانی، طراحی بنادر و سایر مسایل مرتبط با امور دریا دارد؛ از دیرباز مورد توجه بوده است. هدف این مطالعه بررسی عملکرد مدلهای شبکههای عصبی پیشخور با 3 الگوریتم یادگیری کاهش شیب، شیب مزدوج و لونبرگ-مارکوارد در پیشبینی ساعتی تغییرات کشند است. بهعلاوه در تحقیق حاضر، نتایج حاصل از مدل رگرسیون خطی چندم...
full textمقایسه ی کارایی شبکه ی عصبی مصنوعی با رگرسیون لجستیک در پیش بینی میزان ریزش دانشجویان
مدل رگرسیون لجستیک یکی از مهم ترین مدل های خطی تعمیم یافته است که برای تحلیل مدل های چند متغیره کاربرد دارد به طوری که تمامی عوامل پیش بینی کننده موجود در یک مساله را به طور همزمان مورد توجه قرار می دهد. این مدل برای پیش بینی مدل های خطی و غیرخطی مناسب هستنداز سوی دیگر شبکه های عصبی به دلیل قابلیت های منحصر به فردشان ابزار بسیار کارایی برای پیش بینی می باشند. این مدل ها از اطلاعات پیشین استفاده...
15 صفحه اولMy Resources
Journal title
volume 7 issue 4
pages 151- 172
publication date 2010-12-22
By following a journal you will be notified via email when a new issue of this journal is published.
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023