W artykule zastosowano wybrane algorytmy uczenia maszynowego na
zbiorach danych zawierających wskaźniki finansowe w celu sprawdzenia skuteczności
prognozowania upadłości. Trafność prognoz upadłości na zbiorach niezbilansowanych
o przeważającym udziale firm prowadzących działalności nad upadłymi wyniosła jedynie
37%. Trafność prognozowania upadłości na zbiorach zbilansowanych wyniosła 60%. Dla
porównania, uproszczone podejście eksperckie wyłoniło 76% spośród upadłych podmiotów,
ale znacząco zawyżyło zbiór firm zagrożonych upadłością. Metody uczenia maszynowego
okazują się skuteczne dla dużych zbiorów danych, które są zbyt liczne do analizy
przez człowieka.
The article uses selected machine learning algorithms on datasets containing
financial ratios to check the effectiveness of bankruptcy prediction. The accuracy of
bankruptcy forecasts for unbalanced dataset with the prevalence of companies still operating
over bankrupts was only 37%. The accuracy of bankruptcy forecasting on a balanced
dataset was 60%. The simplified expert approach selected 76% of bankrupt entities,
but significantly overstated the set of companies exposed on bankruptcy. Machine
learning methods are effective for large data sets that are too numerous for human analysis.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00