فهرس المقالات Adaboost

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - ارائه مدل شناسایی تقلب مالیاتی بر مبنای ترکیب الگوریتم درخت تصمیم ID3 بهبود یافته و شبکه های عصبی پرسپترون چندلایه
  اکبر جوادیان کوتنائی عباسعلی پورآقاجان سرحمامی میرسعید حسینی شیروانی
  درآمدهای مالیاتی یکی از مهم ترین منابع درآمدی دولت و تأمین کننده بخش عمده ای از هزینه های دولت است. در سالهای اخیر تقلب در صورت‌های مالی و اظهارنامه های مالیاتی به طور فزاینده ای به‌ یک مشکل جدی برای کسب و کار، دولت و سرمایه‌گذاران تبدیل شده است. اکثر مؤدیان مالیاتی به أکثر

  درآمدهای مالیاتی یکی از مهم ترین منابع درآمدی دولت و تأمین کننده بخش عمده ای از هزینه های دولت است. در سالهای اخیر تقلب در صورت‌های مالی و اظهارنامه های مالیاتی به طور فزاینده ای به‌ یک مشکل جدی برای کسب و کار، دولت و سرمایه‌گذاران تبدیل شده است. اکثر مؤدیان مالیاتی به دنبال راهی برای دستکاری در صورتهای مالی و کاهش سود مشمول مالیات ابرازی خود می باشند. از این رو، شناسایی متقلبین مالیاتی و شرکتهایی که به تقلب در صورتهای مالی می پردازند به امری حیاتی برای دولت تبدیل شده است. هدف از این تحقیق ارائه مدلی است که در آن از الگوریتم درخت تصمیم گیریID3 بهبود یافته استفاده شده است. همچنین برای بهبود عملکرد و دقت آن، با شبکه های عصبی پرسپترون چندلایه بهینه سازی شده توسط الگوریتم ژنتیک ترکیب گردید تا نسبت های مالی مرتبط با تقلب مالیاتی انتخاب نموده و سربار محاسباتی کاهش یابد. درختی که در مدل پیشنهادی ایجاد می شود دارای کمترین عمق ممکن می باشد که از این رو دارای سرعت بالا و سربار محاسباتی پایینی می باشد. بدین منظور صورتهای مالی 60 شرکت پذیرفته شده در بورس اوراق بهادار تهران در سالهای 1394 لغایت 1396 بررسی و 54 نسبت مالی از آن ها استخراج گردید که به وسیله آزمون ANOVA تعداد 23 نسبت و نهایتاً توسط شبکه های عصبی تعداد 7 نسبت مرتبط با تقلب مالیاتی، به عنوان داده های ورودی مدل انتخاب گردید. مدل ارائه شده با دقت 81/4 درصد، در شناسایی شرکتهای دارای تقلب مالیاتی، موفق بوده که نسبت به الگوریتم آدابوست دارای بالاترین دقت و قدرت پیش بینی بوده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - استفاده همزمان از همبستگی‌خطی پیرسون و ترکیب الگوریتم‌های داده‌کاوی به منظور بهبود پیش‌بینی نوع تومور در بیماران سرطانی
  محسن غلامی سید جواد میرعابدینی
  امروزه سرطان سینه از شایع‌ترین بیماری‌های سرطان در بین زنان به‌شمار می‌آید. آمارها از رشد شش درصدی این نوع سرطان در ایران حکایت می‌کند که نشان دهنده جدی بودن خطر آن می‌باشد. این در صورتی است که در صورت پیشگیری و یا تشخیص زود هنگام بیماری می‌توان تا حد زیادی از خطرات آن أکثر

  امروزه سرطان سینه از شایع‌ترین بیماری‌های سرطان در بین زنان به‌شمار می‌آید. آمارها از رشد شش درصدی این نوع سرطان در ایران حکایت می‌کند که نشان دهنده جدی بودن خطر آن می‌باشد. این در صورتی است که در صورت پیشگیری و یا تشخیص زود هنگام بیماری می‌توان تا حد زیادی از خطرات آن جلوگیری نمود. با پیشرفت علوم پزشکی، زمینه لازم جهت ایجاد سیستم‌هایی با قابلیت پیشگیری، پیش‌بینی و درمان بیماران با استفاده از فناوری‌های جدید حاصل گردیده است. داده‌کاوی پزشکی سعی در مدل‌سازی و کشف روابط بین عوامل خطرساز جهت پیش‌بینی وضعیت بیماران آینده با کمک از داده‌های در‌دست دارد. در این پژوهش سعی گردیده تا با مقایسه الگوریتم‌های مختلف داده‌کاوی و ترکیب این الگوریتم‌ها، روشی جدید، کارا و با دقت بالا و قابلیت پیاده‌سازی بر روی داده‌های محلی ایجاد گردد. در نهایت روش پیشنهادی که به بهبود کارایی الگوریتم بیز ساده با استفاده از الگوریتم آدابوست می پردازد، توانایی پیش‌بینی نوع تومور خوش‌خیم یا بدخیم با دقت96.67 درصد را دارا می باشد. داده‌های لازم جهت این فرآیند از سایتUCI جهت تشخیص نوع تومور با569 رکورد و32 متغیر، استخراج گردیده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - Evaluation of Intelligent and Statistical Prediction Models for Overconfidence of Managers in the Iranian Capital Market Companies
  Shokoufeh Etebar Roya Darabi Mohsen Hamidiyan Seiyedeh Mahbobeh Jafari
  10.22034/amfa.2019.579662.1145
  The purpose of the present study was to validate the Adaboost machine learning and probit regression in the prediction of Management's overconfidence at present and in the future. It also compares the predicted models obtained during the years 2012 to 2017. The samples أکثر

  The purpose of the present study was to validate the Adaboost machine learning and probit regression in the prediction of Management's overconfidence at present and in the future. It also compares the predicted models obtained during the years 2012 to 2017. The samples of the research were the companies admitted to the Tehran Stock Exchange, (financial data of 1292 companies/year in total). Data collection in the theoretical part of the study benefitted from the content analysis international research paper in library method and for calculating the data's Excel software was used, and in order to test the research hypotheses, Matlab 2017 and Eviews10.0 were used. The empirical findings demonstrate that The Adaboost's algorithm nonlinear prediction model represents the highest power in learning and prediction (performance of this model) the managerial over-confidence for this year and the following year, proved to be better than the probit regression prediction model. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - Application of deep neural networks in Geo-environmental Engineering
  Masoud Samaei Maghsoud Jahani
  Abstract In the last decade, overcoming the detrimental effects of non-recyclable materials is became a global concern. Polyethylene-Terephthalate (PET) is one of the non-recyclable materials used to produce liquid containers. The use of such materials in soil improveme أکثر

  Abstract In the last decade, overcoming the detrimental effects of non-recyclable materials is became a global concern. Polyethylene-Terephthalate (PET) is one of the non-recyclable materials used to produce liquid containers. The use of such materials in soil improvement has acquired importance. This study developed a tree-based predictive model for shear strength improvement caused by PET elements. To predict shear strength, a series of parametric studies led to the development of four models, i.e., DT, RF, XGB, and AdaBoost. These parametric studies aimed to determine which hyperparameters are the best for tree-based models. In spite of the fact that DT and RF are among the most powerful prediction models, XGBoost and AdaBoost offer better results. Due to their ability to learn from mistakes, they are more robust than DTs and RFs, which are semi-stochastic. According to the AdaBoost and XGBoost models, the AdaBoost model with R2train=0.99 and R2test=0.98 performed better when compared with the XGBoost model. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - ADABOOST Ensemble Algorithms for Breast Cancer Classification
  Moshood Hambali Yakub Saheed Tinuke Oladele Morufat Gbolagade
  With advances in technologies, different tumor features have been collected for Breast Cancer (BC) diagnosis. The process of dealing with large data set suffers some challenges which include high storage capacity and time required for accessing and processing. The objec أکثر

  With advances in technologies, different tumor features have been collected for Breast Cancer (BC) diagnosis. The process of dealing with large data set suffers some challenges which include high storage capacity and time required for accessing and processing. The objective of this paper is to classify BC based on the extracted tumor features and to develop an ADABOOST ensemble Model to extract useful information and diagnose the tumor. In this research work, both homogeneous and heterogeneous ensemble classifiers (combining two different classifiers together) were implemented, and Synthetic Minority Over-Sampling Technique (SMOTE) data mining pre-processing is used to deal with the class imbalance problem and noise in the dataset. In this paper, the proposed method involve two steps. The first step employs SMOTE to reduce the effect of data imbalance in the dataset. The second step involves classifying using decision algorithms (ADTree, CART, REPTree and Random Forest), Naïve Bayes and their Ensembles. The experiment was implemented on WEKA Explore (Weka 3.6). Experimental results show that ADABOOST-Random forest classifies better than other classification algorithms with 82.52% accuracy, followed by Random Forest-CART with 72.73% accuracy while Naïve Bayes classification is the lowest with 35.70% accuracy. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - Improvement of Face Recognition Approach through Fuzzy-Based SVM
  Amir Hooshang Mazinan لیلا یار محمدی
  In this investigation, automatic face recognition algorithms are discussed. For this purpose, a combination of learning algorithms with supervision are realized; in this way, the classification is first designed by the fuzzy-based support vector machine and then the Ada أکثر

  In this investigation, automatic face recognition algorithms are discussed. For this purpose, a combination of learning algorithms with supervision are realized; in this way, the classification is first designed by the fuzzy-based support vector machine and then the AdaBoost meta-algorithm is applied to the designed classification to reach more accuracy and overfitting control. In the research proposed here, in order to address the effects of asymmetric classes, the adaptive coefficients are employed. In addition, to reduce the data size, the principal components analysis is also applied to the raw data. It is to note that the proposed approach is carried out in a set of images extracted from Yale University data set and its accuracy of the proposed one is verified. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  7 - مقایسه توانایی الگوریتم‌های یادگیری ماشین آدابوست و طبقه‌بندی احتمالی بیزین در پیش‌بینی بیش‌اطمینانی مدیران شرکت‌های بازار سرمایه ایران
  شکوفه اعتبار رویا دارابی محسن حمیدیان سیده محبوبه جعفری
  بیش‎اطمینانی که یکی از ویژگی‎های شخصیتی افراد می‌باشد، که ممکن است بر تصمیم‌گیری‌های مدیران شرکت‌ها تأثیر داشته باشد، مدیریت با رفتار غیرمنطقی می‌تواند بر عملکرد شرکت در بلند‌مدت تأثیرگذار باشد. هدف اصلی از پژوهش کاربردی حاضر مقایسه توانایی الگوریتم‌های یادگیری أکثر

  بیش‎اطمینانی که یکی از ویژگی‎های شخصیتی افراد می‌باشد، که ممکن است بر تصمیم‌گیری‌های مدیران شرکت‌ها تأثیر داشته باشد، مدیریت با رفتار غیرمنطقی می‌تواند بر عملکرد شرکت در بلند‌مدت تأثیرگذار باشد. هدف اصلی از پژوهش کاربردی حاضر مقایسه توانایی الگوریتم‌های یادگیری ماشین آدابوست و طبقه‌بندی احتمالی بیزین در پیش‌بینی بیش‌اطمینانی مدیران شرکت‌های بازار سرمایه ایران طی سال‌های 1387 تا 1395 می‌باشد که در این راستا الگوریتم هوش مصنوعی آدابوست و احتمالی بیزین به‌منظور ارائه مدل جهت پیش‌بینی بیش‌اطمینانی مدیریت در شرکت‌های پذیرفته شده بورس اوراق بهادار تهران، برای سال جاری و یک سال آتی اعتبار‌سنجی شدند. درمجموع، تعداد 34 صنعت مختلف به‌عنوان نمونه آماری انتخاب شد (اطلاعات مالی تعداد 3145 شرکت-سال در مجموع). روش گردآوری اطلاعات در بخش مبانی نظری از روش کتابخانه‌ای و برای انجام محاسبات و طبقه‌بندی آماری داده‌های مالی، از نرم‌افزارهای Excel و برای آزمون فرضیه‌های پژوهش از نرم‌افزار matlab 2017 استفاده شده است. یافته‌های پژوهش نشان می‌دهد که، مدل‌های غیرخطی پیش‌بینی الگوریتم آدابوست و الگوریتم احتمالی بیزین به دست آمده، هر دو توانایی پیش‌بینی ‌بیش‌اطمینانی ‌مدیریت برای سال جاری و یک سال بعد را دارند؛ اما مدل پیش‌بینی آدابوست در مقایسه با مدل پیش‌بینی بیزین نتایج بهتری را برای پیش‌بینی اعتماد به نفس کاذب مدیریت دارد که نشان‌دهنده قدرت بیشتر در یادگیری و کارآیی بهتر این مدل به‌منظور پیش‌بینی ‌بیش‌اطمینانی مدیریت می‌باشد. تفاصيل المقالة