Ανάλυση εταιρικών δεδομένων με αλγορίθμους Support Vector Machines (SVM)

 
see the original item page
in the repository's web site and access all digital files if the item*
share




2008 (EN)
Business data analysis with Support Vector Machines (SVM)
Ανάλυση εταιρικών δεδομένων με αλγορίθμους Support Vector Machines (SVM)

Κοσμίδης, Δαμιανός Αντωνίου

The tools for forecasting economic failures, allowing managers to take timely strategic action so that the economic risk can be avoided. They enable accountants to assist in the adoption of their reports and other external participants to identify the financial risks and take appropriate decisions. The support vector machines (support vector machine SVM), and forecasting tools are gaining in popularity due to many attractive features and excellent performance of abstraction in a wide range of problems. Selected six engines for analysis of data containing financial data from 450 companies in the United Kingdom and Ireland. The SVM implementations considered in the search engine is best, DTREG (commercial), LibSVM, SVMlight, DIST, SimpleSVM, LS-SVM. For replenishment of SVMs, the methodology 10-fold cross-validation and results can be used for the selection of appropriate SVM.
Τα εργαλεία πρόβλεψης οικονομικών αποτυχιών, επιτρέπουν τους διαχειριστές να λάβουν έγκαιρα στρατηγικά μέτρα έτσι ώστε ο οικονομικός κίνδυνος μπορεί να αποφευχθεί. Επιτρέπουν στους Ορκωτούς Λογιστές να διευκολυνθούν στην έκδοση των εκθέσεών τους και σε άλλους εξωτερικούς συμμετέχοντες να αναγνωρίσουν τους οικονομικούς κινδύνους και λαβουν τις κατάλληλες αποφάσεις. Οι μηχανές διανυσματικής στήριξης (support vector machine SVM), είναι εργαλεία πρόβλεψης και κερδίζουν συνεχώς σε δημοτικότητα λόγω πολλών ελκυστικών χαρακτηριστικών γνωρισμάτων και την άριστη απόδοση γενίκευσης σε ένα ευρύ φάσμα των προβλημάτων. Επιλέγηκαν έξι μηχανές για την ανάλυση των δεδομένων που περιέχουν οικονομικά στοιχεία απο 450 εταιρείες του Ηνωμένου Βασιλείου και της Ιρλανδίας. Οι SVM υλοποιήσεις που εξετάστηκαν για την αναζήτηση της βέλτιστης μηχανής είναι , η DTREG ( εμπορική), LibSVM, SVMlight, DIST, SimpleSVM, LS-SVM . Για την τροφοδότηση των SVMs, εφαρμόστηκε η μέθοδος 10-fold cross-validation και τα αποτελέσματα μπορούν να αξιοποιηθούν για στην επιλογή της κατάλληλης SVM.

info:eu-repo/semantics/masterThesis
Postgraduate Thesis / Μεταπτυχιακή Εργασία

Μηχανές στήριξης
Audit
Αξιολόγηση
ΜΣΔ
Support machines
Εταιρικά
Μηχανές διανυσμάτων
Vector machines
SVM
Business

Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (EL)
Aristotle University of Thessaloniki (EN)

Greek
English

2008
2009-06-21T21:00:00Z


Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών, Πληροφορική και Διοίκηση

This record is part of 'IKEE', the Institutional Repository of Aristotle University of Thessaloniki's Library and Information Centre found at http://ikee.lib.auth.gr. Unless otherwise stated above, the record metadata were created by and belong to Aristotle University of Thessaloniki Library, Greece and are made available to the public under Creative Commons Attribution-ShareAlike 4.0 International license (http://creativecommons.org/licenses/by-sa/4.0). Unless otherwise stated in the record, the content and copyright of files and fulltext documents belong to their respective authors. Out-of-copyright content that was digitized, converted, processed, modified, etc by AUTh Library, is made available to the public under Creative Commons Attribution-ShareAlike 4.0 International license (http://creativecommons.org/licenses/by-sa/4.0). You are kindly requested to make a reference to AUTh Library and the URL of the record containing the resource whenever you make use of this material.
info:eu-repo/semantics/openAccess



*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)