PulseAugur
中
实时 06:58:02
English(EN) Bankruptcy Prediction via Hybrid Resampling and Stacking Ensemble Techniques with Explainable Artificial Intelligence (XAI)-Driven Analysis

AI框架利用集成模型和XAI增强破产预测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新颖的破产预测框架，该框架结合了特征选择、混合重采样技术和堆叠集成模型以及可解释人工智能（XAI）。该研究使用了台湾破产预测数据集，发现不同的重采样策略显著影响模型性能，其中SMOTE-ENN在少数类检测方面表现更强。在独立模型中，带有SMOTE-ENN的GRU实现了最佳的预测平衡，而包含多个机器学习分类器和LSTM模型的混合堆叠集成在灵敏度和特异性之间取得了最强的折衷。通过SHAP分析确定的关键预测因子包括杠杆率、盈利能力、偿付能力和运营效率指标，这表明有可能为财务困境公司建立更可靠的预警系统。 AI

影响 通过提高破产预测模型的准确性和可解释性，增强了财务困境的早期预警系统。

排序理由 学术论文，详细介绍了使用AI技术进行破产预测的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AI框架利用集成模型和XAI增强破产预测能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Obu-Amoah Ampomah, Edmund Fosu Agyemang, Kofi Acheampong, Louis Agyekum, Enock Adu Bonsu, Eric Nyarko ·

    基于可解释人工智能（XAI）驱动分析的混合重采样和堆叠集成技术用于破产预测

    arXiv:2608.20343v1 Announce Type: new Abstract: This study develops and evaluates a bankruptcy prediction framework that integrates consensus-based feature selection, hybrid resampling, stacking ensembles, and explainable artificial intelligence to improve minority-class detectio…

相关实体

相关话题