So far, distress prediction models have been based on balanced, such sampling is not consistent with the reality of the statistical community of companies. If the data are balanced, the bias in sample selection may lead to an underestimation of typeI error and an overestimation of the typeII error of models. Although imbalanced data-based models are compatible with reality, they have a higher typeI error compared to balanced data-based models. The cost of typeI error is more important to Beneficiaries than the cost of typeII error. In this study, for reducing typeI error of imbalanced data-based models, random and clustering-based undersampling were used. Tested data included 760 companies since 2007-2007 with 4 different degrees and the results of the H1 to H3 test represented them. In all cases of the typeI error, typeII error of balanced data-based models were lower and more, respectively, compared to imbalanced data-based models; also, in most cases, the geometric mean of balanced data-based models was higher compared to imbalanced data-based models, respectively. The results of testing H4 to H6 show that in most cases, typeI error, typeII error and the geometric mean criterion of models based on modified imbalanced data were less, more, and more, respectiively compared to the models based on imbalanced data, in other words, applying Undersampling methods on imbalanced training data led to a decrease in typeI error and an increase in typeII error and geometric mean criteria. As a result using models based on modified imbalanced data is suggested to Beneficiaries Manuscript profile

هدف از پژوهش حاضر افزودن تکنیک یادگیری حساس به هزینه به مدل‌های پیش‌بینی ورشکستگی مبتنی بر داد‌ه‌های نامتوازن به منظورکاهش خطای نوع اول و افزایش معیار میانگین هندسی دقت‌ است تا بتوان هزینه‌های طبقه‌‌بندی اشتباه شرکت‌های ورشکسته را بر ذینفعان کاهش داد. بدین منظور خطای نوع اول، خطای نوع دوم و معیار میانگین هندسی دقت مدل‌های پیش‌بینی ورشکستگی مبتنی بر یادگیری حساس به هزینه با مدل‌های پیش‌بینی ورشکستگی با داده به شدت نامتوازن مقایسه شدند، نمونه آماری شامل 1200 سال-شرکت در بازه زمانی سال 1380 الی سال 1399 شامل %90 شرکت‌های سالم و %10 شرکت‌های ورشکسته است، نتایج آزمون فرضیه‌ها‌ بیانگر آن است که افزودن تکنیک یادگیری حساس به هزینه به مدل‌های پیش‌بینی ورشکستگی منجر به کاهش معنادار خطای نوع اول، افزایش معنادار خطای نوع دوم و افزایش معنادار معیار میانگین هندسی دقت مدل‌های مبتنی بر داده‌های نامتوازن در سطح اطمینان %95 شد، همچنین با افزایش مقدار هزینه طبقه‌بندی اشتباه شرکت‌های ورشکسته، خطای نوع اول روند نزولی و خطای نوع دوم روند صعودی و میانگین هندسی دقت روند صعودی دارند Manuscript profile