فهرست نشریات علمی دسترسی آزاد ایران

چکیدهپژوهش حاضر به بررسی و مقایسه دقت و کارائی الگوریتم های یادگیری ماشین جهت پیش بینی نوع اظهارنظر حسابرسی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران می پردازد. در این راستا از روش انتخاب متغیر (آزمون مقایسه میانگین دو نمونه) جهت بررسی و انتخاب متغیرهای تاثیر گذار بر نوع اظهار نظر حسابرسی استفاده شده است. به منظور نیل به این هدف 1606 سال-شرکت (146 شرکت برای 11 سال) مشاهده جمع آوری شده از گزارشات مالی سالیانه شرکت های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره زمانی 1390 تا 1400 مورد آزمون قرار گرفته اند. صحت کلی تکنیک های درخت تصمیم و رگرسیون، جنگل تصادفی، شبکه عصبی، نزدیکترین همسایگی، رگرسیون لوجیت، ماشین بردار پشتیبان به ترتیب 76.3%، 77.7%، 76.9%، 74.6%، 78.3% و 69.6% می باشد که نشان دهنده کارآ بودن الگوریتم رگرسیون لوجیت نسبت به سایر الگوریتم های یادگیری ماشین می باشد. در ضمن در حالت کلی میزان خطای مدل در شناسایی شرکت های دارای اظهارنظر حسابرسی مقبول با الگوریتم درخت تصمیم و رگرسیون 0.251 است و برای الگوریتمهای جنگل تصادفی، شبکه عصبی، نزدیکترین همسایگی، رگرسیون لوجیت، ماشین بردار پشتیبان به ترتیب 0.093، 0.121، 0.167، 0.102، 0.082 می باشد. بنابراین با توجه به روش انتخاب متغیرها ، الگوریتم ماشین بردار پشتیبان (SVM) دارای کمترین میزان خطا و در واقع بیشترین دقت را دارد.