قسمتی از متن پایان نامه :

مدل ژنتیک دارای توانایی استخراج خودکارقواعدهوشمندانه طبقه بندی برای پیش بینی گروه شرکت های درمانده مالی و سالم در یک نمونه با بهره گیری از ارزش های نسبت های مالی معین می باشد. این نسبت های مالی اصطلاحا متغیرهای پیش بینی کننده نامیده می شوند. هر قاعده متشکل از ترکیب منطقی از این نسبت های مالی می باشد.   این ترکیب توصیفی از گروه را فراهم می آورد که برای ساخت قاعده طبقه بندی به کار می رود.

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

هنگامی که تابع براز تعریف گردد،  مسئله پیش بینی ورشکستگی تبدیل به مسئله جستجوی بهترین راه حل در فضای جستجو (متشکل از تمامی راه حل های ممکن) می گردد، یعنی بهینه سازی تابع برازش،  که می توان از تکنیک های بهینه سازی بهره گیری نمود.  با در نظر گرفتن متغیر های توصیف کننده هر شرکت و دامنه هر یک از آن ها،  به سادگی قابل درک می باشد که برای مسئله پیش بینی ورشکستگی،  تعداد راه حل های ممکن بیشمار ا ست. یک جستجوی گسترده تمامی راه حل های ممکن از لحاظ محاسباتی غیر ممکن می باشد. از این رو ما از GP بهره گیری      می کنیم که روش جستجوی قدرتمندی الهام شده از انتخاب های طبیعی می باشد.  GP یافتن بهینه تری راه حل را تضمین نمی کند با این تفاصیل  GP  به ما این اجازه را می دهد تا به راه حلی به النسبه بهینه در یک زمان محاسباتی معقول دست یابیم.
جمعیت تکامل یافته متشکل از افراد یا برنامه های نشانگر قواعد طبقه بندی به شکل درخت هایی هستند که اندازه های آن ها فی النفسه از لحاظ طول متغیرند. هر قاعده متشکل از تعدادی از عبارات شرطی می باشد که این شروط میان متغیرهای معین و یک نتیجه پیش بینی کننده،  معرف گروه شرکت ها،  تعیین می شوند. یک گروه همراه با توصیفش یک قاعده طبقه بندی از نوع اگر ( راه حل ) آنگاه ( ورشکسته/ غیر ورشکسته) را تشکیل می دهد. قسمت شرطی قاعده توسط تمامی عبارات شرطی تشکیل می گردد. یک جمعیت متشکل از مجموعه ای از این قواعد احتمالی نگهداری شده و به گونه پیوسته ساخت قواعد مناسب تر تا زمانی که شرط کفایت یا دیگر معیارهای توقف حاصل گردد، بهبود می یابد.
برای ساخت مدل پیش بینی ورشکستگی،  داده ها به دو مجموعه تقسیم می شوند: مجموعه آموزشی و مجموعه آزمایشی. مجموعه آموزشی در بر دارنده شرکت هایی با گروه های معین ( ورشکسته/ غیر ورشکسته) می باشد که برای فرایند تکامل برای یافتن قواعد طبقه بندی صریح قادر به جداسازی فضای گروه شرکت های ورشکسته از فضای شرکت های غیر ورشکسته بکار می طریقه، در حالی که مجموعه آزمایشی برای ارزیابی قابلیت تعمیم قواعد پیدا نمود شده به کار می طریقه (دیفالکو[1]،2002).
2-7-13) مدل مجموعه های سخت[2]: تئوری مجموعه های سخت توسط پاولاک[3] (1982) در روبرو شدن با مسئله فرق بین مشاهدات در یک مجموعه معرفی گردید. هدف تئوری مجموعه های سخت طبقه بندی مشاهدات با بهره گیری از اطلاعات مبهم می باشد. پس، این تئوری هنگامی مفید می باشد که گروه هایی که مشاهدات در آن طبقه بندی می گردد نادقیق باشند. اگرچه تئوری مجموعه های سخت از جهاتی مربوط به ابزار ریاضی در ارتباط با ابهام و عدم اطمینان می باشد،  اما روش متفاوتی به شمار می رود.  یکی از مهمترین مزایای آن  این می باشد که نیازی به هیچ کدام از اطلاعات اولیه یا اضافی در مورد داده ها نظیر: توزیع های احتمال در آمار یا درجه عضویت در تئوری مجموعه های فازی را ندارد.
این تئوری کاربرد وسیعی در زمینه مسائل مالی داشته می باشد اما در مورد مسئله ورشکستگی دارای سابقه طولانی نیست. در مدل مجموعه های سخت اطلاعات مربوط به مشاهدات در جدول اطلاعاتی ارائه می گردد که شبیه جدول تصمیم محتوای مجموعه شرایط و ویژگی های تصمیم کار می کند سطرهای این جدول توسط مشاهدات و ستون های آن به وسیله ی ویژگی ها نام گذاری می گردد و درون آن ارزشهای ویژگی ها برای مشاهدات قرار دارد.   برای استخراج قوانین تصمیم از اصول یادگیری استقرایی بهره گیری می گردد.  هر نظاره جدید می تواند با تطبیق ویژگی های ان با مجموعه قواعد استخراج شده طبقه بندی گردد. اسلاوینسکی استفانوسکی[4] (1994) توصیف کاملی از کاربرد تئوری مجموعه های سخت فراهم آورده اند. اسلاوینسکی و زاپونیدیس[5] (1995) نخستین کسانی هستند که تئوری مجموعه های سخت را در مورد پیش بینی ورشکستگی به کاربرد بردند و در مورد نمونه آموزشی توانستن مشاهدات را 100 درصد صحیح طبقه بندی کنند اما مدل بدست آمده را برای آزمون روایی بر روی نمونه آزمایشی به کار نبرد. پس از آن تئوری مجموعه های سخت درچندین مطالعه دیگر مانند گرکو و دیگران [6](1998)،  مک کی[7] (2000) و بایچ و پپو[8] (2001) برای پیش بینی ورشکستگی به کار رفت.
2-7-14) ماشین بردار تکیه گاه (SVM)[9]: ماشین بردار تکیه گاه که توسط واپنیک و هایکین [10](1998 ) معرفی شده می باشد، از یک مدل خطی گروه ها بهره گیری می کند.  این مدل خطی با نگاشت بردار ورودی غیر خطی به فضای خصیصه چند بعدی به دست می آید. مدل خطی ساخته شده در فضای جدید می تواند یک مرز تصمیم غیر خطی در فضای اولیه ارائه کند. در فضای جدید،  یک صفحه جداکننده بهینه تشکیل می گردد. پس    SVM   به عنوان الگوریتمی که نوع خاصی از مدل خطی،  صفحه حداکثر تفاوت،  را می یابد شناخته می گردد. صفحه حداکثر تفاوت،  بیشترین جداسازی بین گروه های تصمیم را ارائه می کند.
[1] De Falco
[2] Rough sets model
[3] Pawlak
[4] Slowinski and Stefanowski
[5] Slowinski and Zopounidis
[6] Greco et al
[7]Mckee
[8] Bioch and Popova
[9] Support Vector Machine
Vapnik and Haykin [10]

سوالات یا اهداف پایان نامه :