破产预测准确率飙升！GRU+SMOTE-ENN组合召回率0.86，AI黑箱变透明
Bankruptcy Prediction via Hybrid Resampling and Stacking Ensemble Techniques with Explainable Artificial Intelligence (XAI)-Driven Analysis
📖 AI 总结
该研究构建了一个结合共识特征选择、混合重采样、堆叠集成与可解释人工智能的破产预测框架，以应对严重不平衡金融数据中少数类样本检测难题。基于台湾破产预测数据集，研究先通过五种特征选择算法共识规则将输入变量缩减至23个，再采用SVM-SMOTE、SMOTE-Tomek和SMOTE-ENN三种重采样方法平衡训练数据，并比较五种集成学习模型与五种深度学习模型的性能。结果显示，重采样策略显著影响模型表现：SVM-SMOTE和SMOTE-Tomek偏向准确率与特异性，而SMOTE-ENN更利于少数类识别。独立模型中，GRU结合SMOTE-ENN取得最佳平衡，召回率达0.8627，G-mean为0.8517，ROC-AUC为0.9431；堆叠集成中，SMOTE-ENN配合梯度提升类基学习器与LSTM元学习器表现最优。SHAP分析揭示杠杆、盈利能力、偿债能力和运营效率是预测破产风险的关键指标，为财务困境企业提供了更可靠且可解释的早期预警工具。
🔑 关键词速览
| Hybrid Resampling | 混合重采样，结合过采样和欠采样技术以平衡不平衡数据集的方法。 |
| Stacking Ensemble | 堆叠集成，一种集成学习方法，通过元学习器组合多个基学习器的预测结果。 |
| XAI (Explainable Artificial Intelligence) | 可解释人工智能，旨在使AI模型决策过程透明化、可理解的技术。 |
| SMOTE-ENN | 一种混合重采样技术，结合SMOTE过采样和编辑最近邻欠采样，以清理噪声样本。 |
| SHAP | SHapley Additive exPlanations，一种基于博弈论的特征重要性解释方法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅