| dc.contributor.advisor | 楊建民 | zh_TW |
| dc.contributor.author (Authors) | 陳炎欽 | zh_TW |
| dc.creator (作者) | 陳炎欽 | zh_TW |
| dc.date (日期) | 1996 | en_US |
| dc.date.accessioned | 28-Apr-2016 09:40:51 (UTC+8) | - |
| dc.date.available | 28-Apr-2016 09:40:51 (UTC+8) | - |
| dc.date.issued (上傳時間) | 28-Apr-2016 09:40:51 (UTC+8) | - |
| dc.identifier (Other Identifiers) | B2002002501 | en_US |
| dc.identifier.uri (URI) | https://ah.lib.nccu.edu.tw/item?item_id=98498 | - |
| dc.description (描述) | 碩士 | zh_TW |
| dc.description (描述) | 國立政治大學 | zh_TW |
| dc.description (描述) | 資訊管理學系 | zh_TW |
| dc.description (描述) | 84356004 | zh_TW |
| dc.description.abstract (摘要) | 範例學習(Learning-from-Example, LFE)技術的發展，在人工智慧發展領域中，已成功地突破關於知識萃取的瓶頸，並廣泛地應用到諸多評估或預測模式以及專家系統的建立。在本研究中，以台灣上市公司歷年來的財務報表資訊，進行企業盈虧的預測，並探討判斷個案申出現資訊遺漏與雜訊時，對範例學習系統在企業盈虧預測所產生之影響。主要的影響分別為預測績效的衰減(attenuating)與干擾(disturbing)兩類。本研究並藉由「資料預先處理轉換」及「修正系統演算法」兩方面著手，來避兔或減少上述現象發生時，對範例學習系統在企業盈虧預測績效所造成之影響。 | zh_TW |
| dc.description.tableofcontents | 論文摘要-----I\r\n目錄-----III\r\n表目錄-----V\r\n圖目錄-----VI\r\n\r\n第一章 緒論-----1\r\n 第一節 研究背景與動機-----1\r\n 第二節 研究目的-----3\r\n 第三節 研究對象及範圍-----4\r\n 第四節 本文章節架構-----5\r\n\r\n第二章 文獻探討-----7\r\n 第一節 財務報表資訊與盈餘預測-----7\r\n 第二節 範例學習法-----11\r\n 第三節 資訊遺漏與雜訊-----21\r\n\r\n第三章 研究設計-----26\r\n 第一節 研究樣本及變數-----26\r\n 第二節 IDC4範例學習系統-----37\r\n 第三節 資訊遺漏與雜訊及衡量指標-----42\r\n 第四節 研究程序架構-----45\r\n 第五節 研究限制-----59\r\n\r\n第四章 研究結果-----60\r\n 第一節 資訊遺漏之衰減效果-----62\r\n 第二節 雜訊之干擾效果-----72\r\n 第三節 實証資料測試-----77\r\n\r\n第五章 結論及建議-----84\r\n 第一節 結論及建議-----84\r\n 第二節 後續研究方向-----88\r\n\r\n參考文獻-----90\r\n\r\n\r\n表2-1 範例學習法在商管應用上之相關文獻-----14\r\n表2-2 TDIDT演算法及其相關文獻-----16\r\n表2-3 屬性、目標值之列表-----18\r\n表2-4 選取分割準則之定義-----19\r\n表2-5 決策樹修剪方法比較-----20\r\n表3-1 選取樣本之產業及年度資料筆數-----27\r\n表3-2 企業營餘預測常用之財務比率-----29\r\n表3-3 企業營餘預測之財務比率操作性定義-----30\r\n表3-4 41個財務比率進行因素分析之結果-----34\r\n表3-5 經範例學習法選取後之輸入變數-----35\r\n表3-6 目標值之定義-----36\r\n表3-7 例子資料庫之結構組成-----38\r\n表4-1 九個輸入變數之替代線索及相關程度-----63\r\n表4-2 建樹資料含遺漏值之衰減效果－資料預先處理轉換-----64\r\n表4-3 建樹資料含遺漏債之衰減效果－修正系統演算法-----65\r\n表4-4 預測資料含遺漏值之衰減效果－資料預先處理轉換-----66\r\n表4-5 預測資料含遺漏值之衰減效果－修正系統演算法-----67\r\n表4-6 建樹及預測資料含遺漏值之衰減效果－資料預先處理轉換-----69\r\n表4-7 建樹及預測資料含遺漏值之衰減效果－修正系統演算法-----70\r\n表4-8 建樹或預測資料含雜訊對範例學習系統之干擾效果-----73\r\n表4-9 利用雜訊過濾器排除極端值之效果-----75\r\n表4-10 原始樣本含線索值遺漏之比例-----78\r\n表4-11 實証資料測試－資料預先處理轉換-----79\r\n表4-12 實証資料測試－修正系統演算法-----80\r\n表4-13 雜訊過濾器結合多重線索分割法之效果-----81\r\n\r\n\r\n圖3-1 樣本期間示意圖-----27\r\n圖3-2 本研究進行之程序架構-----47\r\n圖3-3 兩線索間之線性迴歸預測線-----50\r\n圖3-4 獨立分群法之示意圖-----51\r\n圖3-5 最大概似預測示意圖-----52\r\n圖3-6 多重線索分割法之例子線索及分割圖-----54\r\n圖3-7 正負相關替代線索之判斷準則示意圖-----55\r\n圖3-8 迴歸預測取代極端值之示意圖-----58\r\n圖4-1 實驗設計階段所採用之樣本期間及筆數-----61\r\n圖4-2 動樣本期間的示意圖-----77 | zh_TW |
| dc.source.uri (資料來源) | http://thesis.lib.nccu.edu.tw/record/#B2002002501 | en_US |
| dc.subject (關鍵詞) | 企業盈虧預測 | zh_TW |
| dc.subject (關鍵詞) | 範例學習法 | zh_TW |
| dc.subject (關鍵詞) | 遺漏 | zh_TW |
| dc.subject (關鍵詞) | 雜訊 | zh_TW |
| dc.subject (關鍵詞) | 干擾 | zh_TW |
| dc.subject (關鍵詞) | 預測績效 | zh_TW |
| dc.title (題名) | 資訊遺漏與雜訊對企業盈虧預測範例學習系統衰減與干擾效果之研究 | zh_TW |
| dc.type (資料類型) | thesis | en_US |
