الگوریتم درخت تصمیم

هدف مقاله شناسایی مهمترین نسبت های مالی است که می توان از طریق آن عملکرد شرکتها را ارزیابی نمود، لذا کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1390 تا 1393 جامعه آماری پژوهش می باشد و طبق روش نمونه گیری حذفی سیستماتیک 102 شرکت حجم نمونه آماری را تشکیل دادند. این تحقیق از نظر هدف کاربردی و به لحاظ روش تحقیقی توصیفی از نوع همبستگی است. تجزیه و تحلیل داده ها از روش تحلیل عاملی، مدل یابی معادلات ساختاری و دو الگوریتم معروف درخت تصمیم (CHAID,C&RT) با استفاده از نرم افزارهای SPSS,SMARTPLS,CLEMENTIN صورت پذیرفت. نتایج نشان داد که تعداد 24 نسبت از کل 28 نسبت مالی ، در ارزیابی عملکرد شرکت موثر بوده که با استفاده از آنالیز فاکتور اصلی PCA این نسبت ها در 7 دسته بنا بر وزن آنها از واریانس کل دسته بندی گردید.در مرحله بعد جهت بررسی نوع روابط و میزان همبستگی متغیر ها تحلیل عاملی تاییدی در مدل یابی معادلات ساختاری انجام و مدل اصلی ارائه گردید.نهایتا درخت تصمیم گیری ترسیم و نتایج نشان داد که الگوریتم های درخت تصمیم بالاترین دقت را ارائه می کنند و در میان کلیه نسبت ها،نسبت فعالیت بیشترین تاثیر را در ارزیابی عملکرد دارد.

برخی عناصر اقلیمی، مانند دمای هوا، فشار هوا، و سرعت باد، در زمره شدیدترین تغییرات کوتاه مدت تراز سطح آب قرار می گیرد. در این پژوهش، تغییرات تراز آب بر پایه داده های ایس تگاه هواشناسی و ایستگاه ثبت جزرومد با هدف ارزیابی کارآیی از مدل درخت تصمیم گیری (آنالیز غیرخطی) در برآورد و چگونگی اثرهای پارامترهای مستقل بارومتری، نیروی باد، و دمای هوا بر پیش بینی روند پارامتر وابسته میانگین تراز دریا (MSL) سواحل شمالی دریای عمان (مکران ساحلی- جنوب شرق ایران) در ایستگاه های جزرومدی مناطق جاسک و چابهار در یک دوره  بیست ساله (1997-2016) ارزیابی و محاسبه شده است. براساس رابطه مدل نهایی در منطقه جاسک ((71/0)W 208/7 + (195/0) P 092/11 – (102/1) T 619/5+ 197/13MSL=) و در منطقه چابهار ((316/0) W776/2+(87/0) P596/1-(089/1) T529/1+520/4MSL=) حاصل از الگوریتم درخت تصمیم گیری در پیش بینی MSL با استفاده از داده های موجود تا 95درصد قابل اطمینان است. با توجه به دامنه نوسان جزرومد، به طور متوسط، در منطقه چابهار 1 تا 5/1 متر و در منطقه جاسک بیش از 3 متر برابر بازه زمانی به دست آمده در نمودارها با بررسی اجمالی اشکال ژئومورفولوژیکی در منطقه مطالعاتی از لحاظ آثار مورفولوژیک و داغ آب نیز به خوبی مطابقت می نماید.  

بازیکنان از جمله مهم ترین و باارزش ترین دارایی ها و سرمایه های باشگاه های ورزشی محسوب می شوند که مبلغ قرارداد ایشان منابع زیادی از باشگاه ها را از آن خود کرده است. در مطالعه حاضر، با هدف بررسی نقش عوامل مرتبط با ارزش گذاری بازیکن، به پیش بینی مبلغ قرارداد آنان پرداخته شد. روش تحقیق حاضر کاربردی- پیمایشی و از نوع کمی و نمونه های تحقیق به صورت کل شمار، شامل 41 بازیکن تیم فوتبال باشگاه استقلال بود. داده های تحقیق بر مبنای روش اسنادکاوی داده های عملکرد بازیکنان، در دو فصل بود. در به کارگیری روش داده کاوی، از الگوریتم های شبکه عصبی، درخت تصمیم و الگوریتم خوشه بندی کای میانگین برای دسته بندی، تحلیل داده ها و پیش بینی قیمت، استفاده شد. همچنین از طریق پیش بینی مجدد قیمت با داده های خام اولیه و با استفاده از الگوریتم های ساخته شده در مدل های مختلف و بهره گیری از نمودار و تحلیل عددی، مقدار پیش بینی با مقدار واقعی در نرم افزار کلمنتاین، مدل به دست آمده تست شد. براساس یافته ها، در الگوریتم شبکه عصبی متغیر شیرجه بالاترین ضریب تأثیر و متغیر کل زمان بازی شده در طول یک فصل کمترین ضریب تأثیر را در قیمت گذاری بازیکن داشت. در الگوریتم درخت تصمیم بیشترین عامل تأثیرگذار بر قیمت بازیکن، سن و کمترین عامل، پست بازیکن بود. همچنین اولین عامل تأثیرگذار بر قیمت قدرت بدنی بود. تفاوت مقادیر پیش بینی شده در روش های الگوریتمی با داده های واقعی احتمالاً ناشی از عدم استفاده از رویکرد علمی در ارزش گذاری قراردادهای بازیکنان است. در پیش بینی قیمت بازیکنان، با فرض بودجه ثابت باشگاه، الگوریتم درخت تصمیم و با فرض بودجه متغیر، شبکه عصبی پیشنهاد می شود.

درآمدهای مالیاتی یکی از مهم ترین منابع درآمدی دولت و تأمین کننده بخش عمده ای از هزینه های آن می باشد. هدف اصلی پژوهش حاضر، ارزیابی توان پیش بینی تکنیک های الگوریتم درخت تصمیم و رگرسیون چند متغیره خطی در پیش بینی فرار مالیاتی مؤدیان حقوقی بوده است. براساس مبانی نظری و پیشینه پژوهش های صورت گرفته در این حوزه، مجموعه ای متشکل از 57 شاخص مالی و غیرمالی در سه سطح کلان اقتصادی، مؤدیان و حسابرسان مالیاتی، در نمونه ای مشتمل بر 964 پرونده مالیاتی اشخاص حقوقی اداره کل امور مالیاتی مازندران برای سال های 1391 لغایت 1398 با استفاده از نرم افزار متلب و استاتا مورد بررسی قرار گرفته است. در این پژوهش، پس از انتخاب متغیرهای اثرگذار با استفاده از الگوریتم شناسایی سینوس-کسینوس، اقدام به پیش بینی فرار مالیاتی با بهره گیری از تکنیک های الگوریتم درخت تصمیم و رگرسیون شده است. نتایج حاصل از بررسی داده ها نشان داد که متغیرهای سطح مؤدیان و حسابرسان مالیاتی جهت پیش بینی فرار مالیاتی اثربخشی بیشتری دارند. همچنین یافته ها حاکی از آن بوده که توان پیش بینی الگوریتم درخت تصمیم نسبت به رگرسیون چند متغیره خطی، بیشتر است.

هدف: چالش های بهداشتی بدون شک مهم ترین موانع توسعه پایدار جهانی است و با مشکلات اجتماعی و اقتصادی مختلف و ناکافی بودن منابع رشد می کند. در مقابل سلامت جامعه به توسعه اقتصاد ملی و جهانی کمک کرده و بنابراین در شکل گیری ثبات و رفاه یک ملت یا منطقه، نقش زیادی دارد. امروزه با توجه به مهم بودن مسئله سلامت در حوزه بیماری های واگیر، وجود سیستمی به منظور پیش بینی و کنترل همه گیری ها لازم است؛ زیرا با پیشگیری از شیوع همه گیری، می تواند علاوه بر ارزش بالای انسانی در جوامع، سودآوری اقتصادی نیز برای نظام های سلامت داشته باشد. بنابراین، مطالعه حاضر با هدف توسعه الگوریتم هوش مصنوعی بر پایه ویژگی های بدست آمده از اینترنت اشیاء برای تشخیص سریع کووید19 انجام شده است. روش: روش پژوهش حاضر از نظر پارادایم، تفسیری و از لحاظ استراتژی اکتشافی است. همچنین براساس نوع گردآوری داده ها از نوع پژوهش های کیفی بوده و با توجه به توسعه الگوریتم، روش تحقیق در این پژوهش مبتنی بر علم طراحی است. رویکرد تحقیق آینده نگر است، به طوری که مکانیزم انتقال بیماری و ویژگی های تاثیرگذار آن، ما را قادر به پیش بینی هایی در مورد بیماری و در نتیجه طرح استراتژی های کنترل بیماری و مراقبت های بهداشتی می نماید. این پژوهش در یک فرآیند 7 مرحله ای انجام شد. ویژگی های اینترنت اشیاء در پژوهش حاضر با نظر خبرگان استخراج گردید و ویژگی های بدست آمده در آزمایش الگوریتم «درخت تصمیم» بر روی داده ها، برای تعیین بهترین مدل ایجاد شد. یافته ها: نتایج مرور سیستماتیک رشد سریع مستندات از سال 2015 را نشان داد که می تواند نشان دهنده کاربردی شدن حوزه های مختلف فناوری اطلاعات مانند اینترنت اشیاء و یادگیری ماشین در زمینه سلامت عمومی و پیش گیری از بیماری های واگیر باشد. در الگوریتم مقادیر K از 1 تا 20 همسایگی محاسبه شد و بهترین دقت در K برابر 2 بدست آمد. بنابراین، برای پیش بینی بیماری کووید19، دقت الگوریتم بالاتر از 98 درصد است. پس از محاسبه دقت، تحلیل ماتریس ابهام نشان داد در K برابر 2، حساسیت 99 درصد و ویژگی 92 درصد است. نتیجه گیری: مقایسه نتایج الگوریتم نشان می دهد که علاوه بر دقت، حساسیت و ویژگی بدست آمده، بالاتر از روش های سنّتی تشخیص بیماری های واگیردار است. همچنین به دلیل نداشتن ویژگی های پیچیده غیرضروری که صرفاً زمان پیاده سازی مدل را افزایش می دهند، الگوریتم در چند دقیقه ران شده و بنابراین سرعت تشخیص بسیار بالا است. حساسیت بالای 99 درصد که نشان دهنده کم ترین موارد منفی کاذب است، در این پژوهش بدست آمد و بنابراین الگوریتم پیشنهادی برای شناسایی حداکثر افراد مبتلاء به کووید19 بسیار مناسب و کاربردی است.