Warianty tytułu
Uncertain Data Modeling : the Case of Small and Medium Enterprises
Języki publikacji
Abstrakty
W artykule przedstawiono nową procedurę uczenia i testowania modeli opracowaną specjalnie dla danych niepewnych. Opiera się ona na kombinacji metody resubstytucji ze zmodyfikowanym paradygmatem uczenia i testowania, zwanym przez nas walidacją kolejkową. W początkowej fazie eksperymentu opracowane procedury zostały sprawdzone na niepewnych danych, prze-kłamanych prawdopodobnie w procesie kreatywnej i agresywnej księgowości, odnoszących się do małych i średnich przedsiębiorstw pochodzących z regionu podkarpackiego. W trakcie tych badań zweryfikowano modele uczenia w formie drzew i reguł decyzji. Poprawność klasyfikacji obu typów modeli (drzewa i reguły) oszacowano w oparciu o wskaźnik błędu klasyfikacji. Potwierdzono, że błędy fałszywie pozytywnej klasyfikacji są znacznie większe niż klasyfikacji fałszywie negatywnej. Różnice odkryte za pomocą zaproponowanej procedury walidacji mogą być prawdopodobnie wykorzystane jako sygnał występowania przekłamań w danych poddawanych analizie. (abstrakt oryginalny)
A new procedure for combined validation of learning models - developed for specifically uncertain data - is briefly described; it relies on a combination of resubstitution with the modified learn-and-test paradigm, called by us the queue validation. In the initial experiment the elaborated procedure was checked on doubtful (presumably distorted by creative accounting) data, related to small and medium enterprises of the Podkarpackie-region in Poland. Validated in the research learning models were completed in the form of decision trees and sets of production rules. Correctness of both type of models (trees and rules) was estimated basing on the error rate of classification. It was found that false-positive classification errors were significantly larger than false-negative ones; the difference discovered by validation procedure can be probably used as a hint of fraud in the evaluated data. (original abstract)
Twórcy
autor
- Wyższa Szkoła Zarządzania i Administracji w Zamościu
autor
- Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie
Bibliografia
- Burda A (2009): Wielokryterialna ocena modeli prognozowania stanu ekonomiczno-finansowego małych i średnich przedsiębiorstw, "Barometr Regionalny", nr 1(15), s. 77-84.
- Hippe Z.S. (1999): Data Mining and Knowledge Discovery In Business: Past, Present, and Future,[w:] W. Abramowicz, M. Orłowska (red.): Business Information Systems'99, Springer-Verlag, London, s. 158-169.
- Hippe Z.S., Knap M. (2003): Badania nad generowaniem pewnych oraz możliwych drzew decyzji, "Zeszyty Naukowe Wydziału ETI Politechniki Gdańskiej, Technologie informacyjne", nr 1, Wyd. Wydziału ETI Politechniki Gdańskiej, Gdańsk, s. 189-194.
- Haider S.A., Bukhari A.S. (2007): Evaluating Financial Sector Firm's Creditworthiness for South-Asian Countries, "Asian Journal of Information Technology", vol. 6, s. 329-341.
- Kim H.S., Sohn S.Y. (2010): Support Vector Machines for Default Prediction of SMEs Based on Technology Credit, "European Journal of Operational Research", vol. 201, s. 838-846.
- Nowak M. (1998): Praktyczna ocena kondycji finansowej przedsiębiorstwa, Fundacja Rozwoju Rachunkowości w Polsce, Warszawa.
- Pongsatat S., Ramage J., Lawrence H. (2004): Bankruptcy Prediction for Large and Small Firms in Asia: A Comparison of Ohlson and Altman, "Journal of Accounting and Corporate Governance", vol. 2, s. 1-13.
- Schmiemann M. (2008): Enterprises by Size Class-Overview of SMEs in the EU, http://epp.eurostat.ec.europa.eu/cache/ITY_OFFPUB/KS-SF-08-031/EN/KS-SF-08-031-EN.PDF.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171329735
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.