類神經網路

此處我們以3.3.1 介紹的類神經網路中的倒傳遞網路來做為學習預測，參數 設定如下：

輸入層單元數：各特徵變數數量 隱藏層層數：1

隱藏層單元數：20

輸出層單元數：1 (1 表示危機公司，0 表示非危機公司) Mean squared error ： 0.0001

最多執行次數：10000

1. 變數組合 1 (相關文獻整理)

表4.5 顯示變數組合 1 以類神經網路為分類器之下的預測數據，以危機前 一個年度資料量時的正確率為 84%，而以兩個年度資料量則提升到 85.86%，但是當資料量增加至三與四個年度，分別提高到 89%與 89.43%。

其中從表 4.6 可以看到，主要在危機公司的判斷正確大幅增加以提高整體 的正確率。

表4.5 變數組合 1 以類神經網路為分類器的預測正確率 資料量

1 個年度 2 個年度 3 個年度 4 個年度 平均 84.00% 85.86% 89.00% 89.43%

最高 100.00% 95.00% 100.00% 100.00%

預測正確率

最低 75.00% 75.00% 80.00% 80.00%

表4.6 變數組合 1 以類神經網路為分類器的歸類矩陣 預測結果

1 個年度資料量

非危機公司 危機公司

非危機公司 70.29% 4.71%

原始資料

危機公司 11.29% 13.71%

預測結果 2 個年度資料量

非危機公司 危機公司

非危機公司 68.86% 6.14%

原始資料

危機公司 8.00% 17.00%

預測結果 3個年度資料量

非危機公司 危機公司

非危機公司 70.71% 4.29%

原始資料

危機公司 6.71% 18.29%

預測結果 4個年度資料量

非危機公司 危機公司

非危機公司 71.43% 3.57%

原始資料

危機公司 7.00% 18.00%

2. 變數組合 2 (其他基因演算法篩選)

表4.7 顯示變數組合 2以類神經網路為分類器之下的預測數據，當以一個年 度資料量做訓練與預測時的正確率為88%，而當增加到二與三個年度資料量時正 確率分別提升到 89.14%與 90.14%，但資料量增加到四個年度時卻沒有明顯提升 其判斷正確率，只提高到90.29%。而從表 4.8 可以看到主要提升都是以非危機公 司的預測判斷正確率增加為主。

表4.7 變數組合 2 以類神經網路為分類器的預測正確率 資料量

1 個年度 2 個年度 3 個年度 4 個年度 平均 88.00% 89.14% 90.14% 90.29%

最高 100.00% 100.00% 100.00% 100.00%

預測正確率

最低 80.00% 80.00% 80.00% 80.00%

表4.8 變數組合 2 以類神經網路為分類器的歸類矩陣 預測結果

1 個年度資料量

非危機公司 危機公司

非危機公司 69.71% 5.29%

原始資料

危機公司 6.71% 18.29%

預測結果 2 個年度資料量

非危機公司 危機公司

非危機公司 70.86% 4.14%

原始資料

危機公司 6.71% 18.29%

3 個年度資料量

非危機公司 危機公司

非危機公司 70.29% 4.71%

原始資料

危機公司 5.14% 19.86%

預測結果 4 個年度資料量

非危機公司 危機公司

非危機公司 71.86% 3.14%

原始資料

危機公司 6.57% 18.43%

3. 變數組合 3 (基因演算法搭配Fuzzy C-Maen 分群法為適應度計算)

表4.9 顯示變數組合 3以類神經網路為分類器之下的預測數據，在以一個年 度資料量下的預測正確率為88.86%，隨著資料量的增加呈現穩定的提升，兩個年 度與三個年度資料量所得預測正確率分別為90.57%與 92%，從表 4.10 可以看到 在資料量從一個年度增加至兩個年度時，危機公司的判斷上有大幅提升，而在兩 個年度增加至三個年度時，則是非危機公司提高了判斷的正確率。但是增加至四 個年度卻沒有提升的現象，所以在平均正確率上也沒有提升。

表4.9 變數組合 3 以類神經網路為分類器的預測正確率 資料量

1 個年度 2 個年度 3 個年度 4 個年度 平均 89.71% 90.57% 92.00% 92.00%

最高 100.00% 100.00% 100.00% 100.00%

預測正確率

最低 80.00% 80.00% 85.00% 85.00%

表4.10 變數組合 3 以類神經網路為分類器的歸類矩陣 預測結果

1 個年度資料量

非危機公司 危機公司

非危機公司 70.57% 4.43%

原始資料

危機公司 5.86% 19.14%

預測結果 2 個年度資料量

非危機公司 危機公司

非危機公司 70.29% 4.71%

原始資料

危機公司 4.71% 20.29%

預測結果 3 個年度資料量

非危機公司 危機公司

非危機公司 71.86% 3.14%

原始資料

危機公司 4.86% 20.14%

預測結果 4 個年度資料量

非危機公司 危機公司

非危機公司 71.71% 3.29%

原始資料

危機公司 4.71% 20.29%

4. 變數組合 4 (基因演算法搭配變異數指標為適應度計算)

表4.11 顯示變數組合 4以類神經網路為分類器之下的預測數據，與前三組 變數組合不同在以一個年度做為預測時就以達90.86%的正確率，隨著資料量增加 其正確率也往上提升，但是兩個年度增加至三個年度時僅提高了0.14%，最後在 四個年度資料量時正確率為四組變數組合中，以類神經網路為分類器之下正確率 最高的92.57%。

表4.11 變數組合 4 以類神經網路為分類器的預測正確率 資料量

1 個年度 2 個年度 3 個年度 4 個年度 平均 90.86% 91.29% 91.43% 92.57%

最高 100.00% 100.00% 100.00% 100.00%

預測正確率

最低 85.00% 80.00% 85.00% 85.00%

表4.12 變數組合 4 以類神經網路為分類器的歸類矩陣 預測結果

1 個年度資料量

非危機公司 危機公司

非危機公司 71.29% 3.71%

原始資料

危機公司 5.43% 19.57%

預測結果 2 個年度資料量

非危機公司 危機公司

非危機公司 71.71% 3.29%

原始資料

危機公司 5.43% 19.57%

預測結果 3 個年度資料量

非危機公司 危機公司

非危機公司 71.86% 3.14%

原始資料

危機公司 5.43% 19.57%

預測結果 4 個年度資料量

非危機公司 危機公司

非危機公司 71.71% 3.29%

原始資料

危機公司 4.14% 20.86%