Artificial Intelligence in Economics and Managment: An Edited Proceedings on the Fourth International Workshop: AIEM4 Tel-Aviv, Israel, January 8–10, 1996

در دهه‌های گذشته چندین محقق مدل‌های آماری را برای پیش‌بینی ورشکستگی شرکت‌ها توسعه داده‌اند. g. آلتمن (1968) و بیلدربیک (1983). مدلی برای پیش‌بینی ورشکستگی شرکتی با هدف توصیف رابطه بین ورشکستگی و تعدادی از نسبت‌های مالی توضیحی است. این نسبت ها را می توان از اطلاعات موجود در گزارش سالانه یک شرکت محاسبه کرد. دستیابی به روشی برای پیش‌بینی به موقع ورشکستگی، هدف نهایی به نام سیستم \"هشدار اولیه\" است. اخیراً، این موضوع توجه محققان در زمینه یادگیری ماشین را به خود جلب کرده است. g. شاو و جنتری (1990)، فلچر و گاس (1993) و تام و کیانگ (1992). این تحقیق معمولاً به مقایسه روش‌های یادگیری ماشین، مانند القای درخت‌های طبقه‌بندی و شبکه‌های عصبی، با روش‌های آماری «استاندارد» تحلیل تفکیک خطی و رگرسیون لجستیک می‌پردازد. در تحقیقات قبلی، Feelders و همکاران. (1994) تحلیل مقایسه ای مشابهی را انجام داد. روش های مورد استفاده تجزیه و تحلیل تفکیک خطی، درخت تصمیم و شبکه های عصبی بود. ما از مجموعه داده ای استفاده کردیم که شامل 139 گزارش سالانه شرکت های صنعتی و تجاری هلندی بود. آزمایش‌ها نشان داد که خطای پیش‌بینی تخمینی درخت تصمیم و شبکه عصبی کمتر از خطای تخمینی متمایز خطی است. بنابراین به نظر می رسد که ما می توانیم با جایگزین کردن تمایز خطی "به طور سنتی" با یک روش طبقه بندی انعطاف پذیرتر برای پیش بینی ورشکستگی شرکت، سود ببریم. مجموعه داده‌های مورد استفاده در این آزمایش‌ها بسیار کم بود.