یادگیری رتبهبندی که یکی از روشهای یادگیری ماشین برای مدل کردن رتبهبندی است، امروزه کاربردهای بسیاری به خصوص در بازیابی اطلاعات، پردازش زبان طبیعی و دادهکاوی دارد. فعالیت یادگیری رتبهبندی را میتوان به دو بخش تقسیم کرد. یکی سیستم یادگیری مورد استفاده و دیگری سیستم ر چکیده کامل
یادگیری رتبهبندی که یکی از روشهای یادگیری ماشین برای مدل کردن رتبهبندی است، امروزه کاربردهای بسیاری به خصوص در بازیابی اطلاعات، پردازش زبان طبیعی و دادهکاوی دارد. فعالیت یادگیری رتبهبندی را میتوان به دو بخش تقسیم کرد. یکی سیستم یادگیری مورد استفاده و دیگری سیستم رتبهبندی. در سیستم یادگیری، یک مدل رتبهبندی بر اساس دادههای ورودی ساخته میشود. در بخش سیستم رتبهبندی، از این مدل ساخته شده برای پیشبینی رتبهبندی استفاده میشود. در این مقاله یک الگوریتم پیشنهادی مبتنی بر یادگیری جمعی به منظور یادگیری رتبهبندی اسناد ارائه میشود که این الگوریتم به صورت تکراری یادگیرهای ضعیفی بر روی درصدی از دادههای آموزشی که توزیع آنها بر اساس یادگیر قبلی عوض شده است، میسازد و جمعی از یادگیرهای ضعیف را برای رتبه بندی تولید میکند. این الگوریتم سعی میکند تا با ساختن رتبهبند بر روی درصدی از دادهها، سبب افزایش دقت و کاهش زمان شود. با ارزیابی بر روی مجموعه داده لتور 3 دیده میشود که بهتر از الگوریتمهای دیگری در این زمینه که مبتنی بر یادگیری جمعی هستند، عمل میکند.
پرونده مقاله
بانکداری صنعت ویژهایی است که با سرمایه و ریسک برای کسب سود مواجه است. یکی از مهمترین ریسکهای بانکی، ریسک اعتباری است که حوزة تحقیقاتی پویایی را در مطالعات مدیریت به خود اختصاص داده است. در این پژوهش یک سیستم ترکیبی ارزیابی ریسک اعتباری ارائه میشود، که از یادگیری جمع چکیده کامل
بانکداری صنعت ویژهایی است که با سرمایه و ریسک برای کسب سود مواجه است. یکی از مهمترین ریسکهای بانکی، ریسک اعتباری است که حوزة تحقیقاتی پویایی را در مطالعات مدیریت به خود اختصاص داده است. در این پژوهش یک سیستم ترکیبی ارزیابی ریسک اعتباری ارائه میشود، که از یادگیری جمعی برای تصمیمگیری در مورد اعطای اعتبار به فرد متقاضی استفاده میکند. ترکیب تکنیکهای دستهبندی و خوشهبندی در این پژوهش، منجر به بهبود عملکرد سیستم میشود. برای آموزش شبکههای عصبی از مجموعة دادههای واقعی، از نمونههای تقاضای اعتبار در بانکی در آلمان استفاده شده است. مدل پژوهش در قالب یک سیستم چند عاملی ارزیابی ریسکاعتباری طراحی شد و نتایج نشان داد که این سیستم صحتّی بالاتر، عملکردی برتر و هزینة کمتری، در دستهبندی متقاضیان اعتبار نسبت به دیگر روشهای مشابه حاصل میکند.
پرونده مقاله