TY - JOUR A2 - Ayag, Zeki AU - Appiahene, Peter AU - Missah, Yaw Marfo AU - Najim, Ussiph PY - 2020 DA - 2020/07/23 TI -使用机器学习算法预测银行运营效率:2015年至2018年冲击加纳的金融危机提出了关于银行效率和银行业存款人安全的各种问题。作为改善银行业和恢复客户信心的措施的一部分，银行业的效率和业绩分析已经成为一个热点问题。这是因为利益相关者必须发现银行业低效的根本原因。非参数方法，如数据包络分析(DEA)已被建议作为一个很好的衡量银行的效率和绩效。机器学习算法也被视为估计各种非参数和非线性问题的好工具。本文提出了一种结合三种机器学习方法的DEA评估银行效率和绩效的方法，使用444家加纳银行分行，决策单元(Decision Making Units, dus)。结果与DEA得到的相应效率等级进行了比较。最后，比较了三种机器学习算法模型的预测精度。结果表明，决策树(DT)及其C5.0算法提供了最佳的预测模型。 It had 100% accuracy in predicting the 134 holdout sample dataset (30% banks) and a P 值为0.00。随机森林算法紧随其后，预测精度为98.5% P 值0.00，最后神经网络(准确率86.6%)与a P 值0.66。这项研究的结论是，加纳的银行可以利用这项研究的结果来预测它们各自的效率。所有实验都是在一个模拟环境中进行的，并在R studio中使用R代码进行。SN - 1687-7101 UR - https://doi.org/10.1155/2020/8581202 DO - 10.1155/2020/8581202 JF - Advances in Fuzzy Systems PB - Hindawi KW - ER -