Resumen

La evaluación científica del riesgo es una garantía importante para el desarrollo saludable de una empresa. Con el continuo desarrollo y la madurez de la tecnología de aprendizaje automático, ésta ha desempeñado un importante papel en el campo de la predicción de datos y la evaluación de riesgos. Este artículo investiga la aplicación de la tecnología de aprendizaje automático en la evaluación de riesgos de las empresas. De acuerdo con la literatura existente, este documento utiliza tres algoritmos de aprendizaje automático, es decir, el bosque aleatorio (RF), la máquina de vectores de apoyo (SVM) y AdaBoost, para evaluar el riesgo de la empresa. En la aplicación concreta, se establecen primero los índices de evaluación del riesgo de la empresa, que describen de forma exhaustiva los distintos riesgos a los que se enfrenta la empresa mediante una serie de parámetros. A continuación, se entrenan los tres tipos de algoritmos de aprendizaje automático basados en datos históricos para construir un modelo de evaluación de riesgos. Por último, para un conjunto de indicadores de riesgo obtenidos en condiciones actuales, se obtiene el índice de riesgo a través del modelo de evaluación de riesgos. En el experimento, se utilizan algunos datos reales para analizar y verificar el método, y los resultados muestran que los tres tipos de algoritmos de aprendizaje automático propuestos pueden evaluar eficazmente los riesgos empresariales.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:tipo de máquina, modelo de evaluación de riesgos, tecnología de aprendizaje automático, algoritmo de aprendizaje automático, riesgo empresarial, campo de datos, evaluación de riesgos científicos, conjunto de riesgos, evaluación de riesgos empresariales, madurez de la máquina
• Keywords:type of machine, risk assessment model, machine learning technology, machine learning algorithm, enterprise risk, field of data, scientific risk assessment, set of risk, enterprise risk assessment, maturity of machine