机器学习分类技术对检测的影响人力资源对商业银行绩效的结果

文摘

银行业是一个市场的竞争和活力,组织性能就变得至关重要。可以使用不同的指标来衡量组织绩效和维持竞争优势在全球市场。性能指标的执行通常是通过人力资源、站为核心元素在维持组织在竞争激烈的市场中。就必须有效地管理人力资源战略和调整其战略与组织策略。我们采取了调查研究设计使用定量方法,分配一个结构化的问卷调查,305名受访者利用高效的采样技术。银行业绩的预测是非常重要的因为糟糕的性能可能导致银行和社会的严重问题,如破产和负面影响国家的经济。大多数研究人员在过去采用传统的统计数据建立预测模型;然而,由于机器学习算法的效率,大量的研究人员现在各种机器学习算法应用到各个领域,包括性能预测系统。在这项研究中,八个不同的机器学习算法被用来建立性能模型预测商业银行在尼日利亚的潜在性能结果基于人力资源(员工技能、态度和行为)通过与机器学习Python软件工具库和包。分析结果清楚地表明,在实现组织人力资源的结果是至关重要的性能,和八个机器学习分类器算法的模型建立在这项研究中预测银行性能优越的74 - 81%的精度。 The feature importance was computed with the package in Scikit-learn to show comparative importance or contribution of each feature in the prediction, and employee attitude is rated far more than other features. Nigeria’s bank industry should focus more on employee attitude so that the performance can be improved to outstanding class from the current superior class.

1。介绍

今天的商业环境是高度竞争和变化迅速的全球化和技术创新,就必须发展内部潜在的人员管理和工作予以足够的重视,使得操作系统。因此,人力资源管理已经被认为是获得可持续的竞争优势至关重要,面对全球化和技术进步的1- - - - - -6]。银行业有剧烈的变化,由于电子银行的应用技术,在金融机构正在使用万维网和其他适当的技术和软件处理各种产品至少申请时间和成本(7,8]。这大大提高了全球银行业务和服务。

传统的数据分析技术无法处理大量的数据,还有大量的增加来自内部和外部来源的数据在日常操作。传统的数据分析并不能有效的利用增加处理能力。独立预测变量限制了他们的应用程序在现实世界中,理论上,这些方法可能无效的有限样本可以构成一个问题在应用它的性能预测,因为multivariate-normality假设自变量经常违反金融数据集(9- - - - - -11]。

在金融机构中,数据是资产。因此,数据的价值评估时,组织可以隐藏在原始数据中提取有价值的知识。数据挖掘涉及的提取有趣的模式使用统计和机器学习技术(从原始数据7]。数据挖掘技术可以用来建立一个优秀的预测模型和可视化报告成有意义的信息(7]。数据挖掘技术和工具可以预测系统的未来趋势和行为和发现先前未知的模式(7- - - - - -9]。

以前的工作人力资源对组织性能的影响进行了分析使用描述性和推论统计。和队友等人采用了描述性统计和多元回归分析数据(3]。把和Gupta采用描述性统计和层次回归分析来确定人力资源对组织性能的影响(4]。阿提库等人使用描述性和推论统计确定人力资源的结果对银行绩效的影响(6]。描述性统计是广泛用于分析数据1,12- - - - - -14]。在这项研究中,我们采用了数据挖掘技术在检测和预测的影响人力资源outcomes-employee技能,态度和行为对银行的性能。通过采用数据挖掘技术,一个组织可以获得正确的信息及时从大量的原始数据。数据挖掘技术可以发现隐藏的模式可能不会发现的传统数据分析。

我们所知,一个最近的研究对组织能力之间的关系进行了一项调查时使用大数据预测分析实现卓越的组织性能。的结果,他们的发现表明,金融机构需要采用绿色和灵活的技术来实现更高的运算性能,提高总利润。此外,一些研究已经进行的应用数据挖掘的银行业等领域客户保留,自动信贷审批、欺诈检测,市场营销和风险管理7- - - - - -10,15,16),但没有对银行有关人力资源绩效的预测结果用数据挖掘的方法。

本研究的其余部分组织如下:部分2显示了本研究中使用的方法。部分3介绍了实验和实验的结果。节4为未来的研究,结论与建议。

2。材料和方法

CRISP-DM模型是实现这项工作。模型已经被许多研究者广泛使用在过去的十年里16- - - - - -19]。CRISP-DM nonpropriety,免费,跨行业标准数据挖掘项目。循环方法包括六个阶段:业务理解、数据理解、数据准备、建模、评估和部署如图1(20.]。Python是用作软件工具实现这项工作。它是开源软件,可以提供广泛的数据挖掘分类技术。

理解阶段,在业务的一个重要和广泛的审查文学研究中存在的问题进行的银行处理的数据挖掘方法。研究采用调查方法调查人力资源结果对组织性能的影响。采用多种方法收集的数据通过使用一个结构化的问卷、面谈、观察,和其他记录的证据(年度报告/报表账户连续三年)(21]。业务问题是首次发现的需求越来越大,商业银行在尼日利亚知道人力资源状况(员工技能、态度和行为)的性能有很大的影响银行使用数据挖掘方法来提取所有隐藏的事实,作出预测。银行预测的性能可以接近完全竞争的市场活动的人力资源组织的结果表明性能良好。识别问题转化为一个数据挖掘的任务分类组织性能分为五类优秀,优秀,良好,一般,差(表1),通过分析可用的员工数据的数据挖掘技术选择的分类。这被认为是一个监督学习任务自分类模型是由一个已知的目标变量的数据。

数据理解阶段,员工数据研究了理解的从银行员工收集的数据类型存储在电子数据库。的规则和程序收集和存储的银行员工数据也进行了综述。提供的细节研究阿提库[21]。

在数据预处理阶段,员工数据从employee数据库提取和组织。305名员工,它包含数据所描述的19个参数,比如性别、婚姻状况、部门、教育资格,工作经验,组织文化,组织学习文化、组织绩效、员工态度等等(21]。可用的数据转换,和一些参数被移除。只有参数(组织绩效(表2结果(表)和人力资源3),是重要的研究处理。这个数据挖掘项目的挑战是至关重要的性能预测银行基于人力资源的结果。可以学到组织绩效是选定目标变量的数据挖掘算法。设计分类目标变量使用五个值在表(类别)1。可以将银行业绩突出,优越,好,一般,差。对于每个表中给出的六个表演2被申请人评分(1 - 4)使用(21]。表1描述了扩展性能评价和调整以适应银行执行性能的基础上,惠誉评级恢复(22]。的三个国家接受评级由美国证券交易委员会在1975年以来,惠誉评级公司分类技术标签必须分类,扩展是很重要的。

在建模阶段,数据挖掘模型是由分类银行表中给出性能分为五类1。在这项工作中,我们采用几个分类算法有可能产生好的结果包括决策树、逻辑回归、最近邻算法,随机森林,梯度推进,支持向量机,系综23- - - - - -25),和深度的学习。Scikit-learn-Python包机器学习被用来设计提出的实验模型。选中的数据挖掘分类算法用于此项目被应用到最后的数据集组成的305银行员工记录4属性。为实现,描述在表4的属性和描述4。结果给出了部分工作4。

3所示。实验结果和讨论

本研究的主要目的是检测的可能性预测输入变量的类(输出)变量中保留银行性能模型。在我们的实验中,我们使用从Scikit-learn最常见的分类技术。这些分类技术中所描述的部分3.1本研究。比例分割方法被用于数据集分成训练集和测试集(70%为30%训练数据集和测试数据集)。分类模型的性能测定实验中使用混淆矩阵的输入特性从Scikit-learn评估记录正确或错误地预测的分类器。混淆矩阵是一个N×N表,总结了分类模型的预测是多么成功,也就是说,标签和之间的相关性模型的分类。混淆矩阵的一个轴的标签模型预测和其他轴是实际的标签。N代表类的数量。在一个二元分类问题,N= 2。例如,图2是一个二进制的样品混淆矩阵分类问题。在这项工作中描述表1银行业绩,有5个输出类(突出,优越,好,平均,和穷人)。混淆矩阵是一个表4的不同组合预测和实际值如图2。量,真阳性(TP),假阳性(FP),真正的负面(TN),假阴性(FN)与混淆矩阵相关联。混淆矩阵是非常有用的测量还记得,精密,特异性和准确性表示在方程(1)- (6)。在这项研究中,以下指标(方程(1)- (6)被用来衡量分类器的性能。(我)灵敏度/真阳性率/回忆了 灵敏度代表积极类的比例正确分类。(2)假阴性率给出 假阴性率(FNR)代表积极类的比例不正确分类的分类器。(3)特异性/真阴性率给出 特异性是负类的比例正确分类。(iv)假阳性是给定的 玻璃钢是负类的比例不正确分类的分类器。(v)准确性(ACC)给出 ACC的比例是总的特征是正确的。(vi)F分数(F1)或F测量是给定的 F1是一个加权调和平均数的精度和召回。

敏感性和特异性是最重要的指标所示;显示正确的比例分为积极的还是消极的。敏感性、特异性、准确性和F分数(F1)等指标用于评估分类器被认为在这工作。两种类型的错误,即1型和2型确实发生在评估机器学习分类器的性能:1型错误:假阳性(FP)。这种类型的错误是因为预测错误的预测价值。实际值是负数,但该模型预测正值(方程(4))。2型错误:假阴性(FN)。预测的值是错误的预测。实际值是积极的,但该模型预测一个负值(方程(2))。

可视化的三个特性的影响人力资源(员工的态度、行为和技能)结果数据所示3(一个)- - - - - -3 (c),分别。三个选择特征显示性能优越的比例更大。银行性能通常是优越的输入特性。

3.1。机器学习算法

机器学习是人工智能的一个分支(ML)构建模型/系统可以从数据中学习。毫升教学的过程是一个计算机系统时如何做出准确预测美联储的数据。ML算法机器学习(即的引擎。,该算法将数据集转化为模型)。这些算法包含一个目标/结果变量(因变量)从给定的一组预测预测(独立变量)。创建一个函数映射输入所需的输出通过使用变量的集合。这个过程如图4将继续,直到模型完成了预期水平的准确性的训练数据集。后续部分中描述的ML算法3.1.1- - - - - -3.1.8中在这个研究中被用于分类。

3.1.1。K最近的邻居分类器

的K最近的邻居分类器(事例)算法可以说是最简单的机器学习算法。建立的模型只包含存储训练数据集。预测新数据点,该算法找到最近的数据点在训练数据集——“最近的邻国。“事例的算法分类和回归,但主要是用于分类。这是一个监督学习算法,视不同的重心,利用欧氏距离的函数进行比较。结果分析和分类每个指向组所有亲密点。新实例进行分类使用的多数票k邻国,实例被分配给一个类中最为普遍K最近的邻居(19]。基于事例的基本步骤如下,图中所示5。

基于事例的基本步骤如下。(我)计算距离(2)找到最近的邻居(3)支持标签

在这项研究中,我们使用事例的构建一个分类模型算法。图6描述了实验训练和测试的结果数据集的精度为74%和75%,分别。

事例的分类器对训练集精度是0.74。基于事例的准确性测试集分类器是0.75。

预测通过选择模型的事例k= 100,在我们看到的值k= 100是一个不错的邻居数量这个模型。这是适合该模型用于整个数据集,而不只是训练集样本外的一个例子。观察给出的预测工作如下:资讯。预测([[88年,44岁的50]]),在88年,44岁的50个样本员工的态度、行为和技能分别;和输出数组((“优越”),dtype =对象)。银行业绩预计“优越”,即。,it shows a superior performance class for the three input variables. We evaluate the performance of the K-NN classifier by computing the confusion matrix shown in Figure7。事例的算法分类银行表现为“优秀等级。“优秀等级比例最高的精度,还记得,F(图1-score,和支持7)。图中的“支持”7是真正的反应样品的数量。

3.1.2。逻辑回归

逻辑回归适合二进制分类,尽管所谓的回归。它本质上是一种分类算法,数据符合逻辑函数。这是一个特殊的机器学习算法估计离散值,如0/1,是的/不,并根据给定的一组真/假独立变量和使用物流功能来预测事件的可能性,它的输出是在0和1之间,如图8。

在我们的实验训练和测试数据集,我们获得精度分别为74.6%和76.1%。训练集的精度是0.746。测试集的精度是0.761。

对整个数据集进行实验,我们得到75%的精度,如图9混淆矩阵,计算精度。结果也证明,银行业绩被列为“优越”的准确性达75%。

3.1.3。决策树分类器

决策树算法在分类和连续的因变量,尽管通常用于分类。模型建立与决策树算法实例和遍历树;基于条件语句,它比较了基本特征并确定如果是左、右分支基于结果。通常,关键特性接近根(图10 ())。

决策树的基础步骤如下:(我)选择最好的属性使用属性选择措施(ASM)将记录(2)使该属性决定节点和数据集分割为小的子集(3)树开始为每个孩子构建递归地重复这个过程,直到将匹配的条件之一:(我)所有的元组属于同一属性值(2)没有剩余的属性(3)没有更多的实例

决策树生成(图10 (b))说明了决策树模型构建和测试的数据集分为训练和测试数据。训练数据构建模型,而测试数据是用于评估模型。构建的绩效评估模型是由使用一些指标(方程(1)- (6))。图11描述了决策树分类器的性能评价结果。银行的表现分为优越的精度为77%。

我们的实验与决策树算法描述“优越”银行业绩的77.9%和71.7%的准确性训练和测试数据,分别。训练集上的精度是0.779。测试集上的精度是0.717。

3.1.4。随机森林

随机森林是一个函数的决策树建立的决策树在培训期间和现在班级与个人的模式分类树。随机森林的四个步骤是遵循和图中也描述了12。

步骤如下:(我)从一个给定的数据集选择随机抽样(2)为每个样本构造决策树,从每一个决策树得到预测结果(3)为每个预测结果进行投票(iv)选择预测结果得票最多的作为最终的预测

在我们的实验中,随机森林组成的100棵树应用于银行数据集,我们获得精度75.1%和75.0%,分别在训练和测试数据集。我们计算随机森林分类器的性能评估使用混淆矩阵,得到结果如图13。分类器预测银行性能优越的精度为75%。

3.1.5。梯度提高分类器

梯度增加是一个机器学习提高,减少了总体预测错误结合前面的模型出现下一个可能的最佳模式。目标的结果取决于变化,预测整个预测误差的影响。自适应提升方法结合加权最小化,该分类器和加权输入后重新计算被称为梯度增加分类器(图14)。梯度提高分类器的目标是最小化损失或实际的类之间的差异值训练例子,预测类的值。它是类似于一个神经网络梯度下降法。

在我们实验梯度提高分类器的银行数据集,我们获得的准确性在训练集测试设置为0.817(81.7%)和0.750 (75.0%)。

绩效评估的分类器通过计算混淆矩阵,我们到达结果如图15。分类器预测银行业绩的优秀等级与81%的精度。

3.1.6。支持向量机

支持向量机(SVM)是一种分类算法,情节一条线,划分不同的分组数据,并计算一个向量优化线确定最接近每组是远离彼此,如图16。

与支持向量机在我们的实验中,我们得到了精度训练和测试数据集上的75.6%和75.0%,分别。训练集上的精度是0.756。测试集上的精度是0.750。

银行性能分为优越的精度为74%如图17。

3.1.7。深度学习

深度学习是机器学习的一个子集,涉及系统,使用人工神经网络像人类一样思考和学习。它模仿人类大脑的运作过程数据(检测对象、对象分类和识别语音)和创建模式决策所必需的。如图18算法建立模型,利用隐藏的元素输入部门提取功能,组对象,并在培训过程中发现有用数据的模式发生在多个水平/层。计算模型由多个层,称为神经网络,数据处理。

在这项研究中,深入学习算法应用于训练和测试数据集,并获得74.2%和75.0%的准确性,分别。训练集上的精度是0.742。测试集上的精度是0.750。

银行表现分为优越的精度74%如图19。

3.1.8中。贝叶斯分类器(朴素贝叶斯模型)

的朴素贝叶斯分类算法是基于贝叶斯定理的概念,这是一个基本定理的概率。贝叶斯定理产生的弹性朴素贝叶斯算法。数据进行分类使用条件概率给出以下方程。因此,朴素贝叶斯算法的概率本质上提供了一个记录,属于一个类,给定的值的特性。这就是所谓的条件概率。 在哪里P(一个|B的条件概率一个鉴于B;P(B|一个的条件概率B鉴于一个;P(一个)的概率是事件一个;P(B)的概率是事件B。

与朴素贝叶斯在我们的实验中,我们得到了73%和80%的准确性在训练和测试数据集,分别。训练集上的精度是0.732。测试集上的精度是0.739。

银行表现分为优越的精度为79%,如图20.。

3.2。功能的重要性

决策树是用来评估功能这三个特性的重要性。功能重要性利率决策树的每个特性是多么的重要。这是一个数量为每个特性在0和1之间,其中0表示“不习惯”和1的意思是“完美的预测目标。“功能重要性总金额为1。Scikit-learn给额外变量与模型,说明了每个特性的相对重要性或贡献的预测。它会自动计算每个特性的相关性分数在训练阶段和鳞片的意义,所以,分数的总和是1。这一点是至关重要的,因为它允许您选择最重要的特征,最重要的建立模型。在这部作品中,评估功能特性重要性值为(0.73502277,0.09399781,和0.17097942)对员工的态度,员工行为,分别和员工技能。图21说明功能“员工态度”是迄今为止最重要的功能比员工行为和技能。员工行为特征可以删除,因为它是不那么重要的银行性能模型构建。银行业的重点应该放在feature-employee态度和设法改进它,因为这可以的银行业绩优秀等级最高的类是“优秀”。

3.3。分类器和准确性

表5说明了8个分类器的结果的精度分割数据(训练和测试数据集);训练集的准确性是相似或接近测试集的准确性。这是一个迹象表明,通过分类器模型建立是有效的,没有过度拟合,和模型推广到新的数据。

表6描述了所选算法的性能评估使用混淆矩阵3.1。表6说明了分类模型的预测是多么成功,显示(精度、召回和关键指标F1-scores)为优秀等级,因为所有算法的结果表明,该银行性能优越。梯度增强算法具有最好的精度性能表中所描绘的一样6。它有0.81和一个最好的精度F1-score 0.88,其召回得分0.96非常接近1.0。记得最好应该1(高)一个好的分类器。回忆变成了1只有当分子和分母是相等的,即TP = TP + FN;这也意味着FN是0(假阴性);因此,再、逻辑回归、随机森林,支持向量机,深度学习算法无假阴性。此外,其余的algorithms-decision树,梯度推进,和朴素贝叶斯还记得分数接近1.0,即。,0.98,0.96和0.91分别;因此,这三个算法有非常最低假阴性。一般来说,所有的算法表现优异没有或几乎没有假阴性。模型产生没有假阳性的精度1.0,精度高与低误判率有关。我们获得的精度在0.74,081年为很好的分类器算法。 Furthermore, ideally in a good classifier, both precision and recall should be 1.00, which also means FP and FN are 0.00 (no false positives and negatives). Hence, we need a metric that considers both precision and recall, and anF1-score是度量考虑精度和召回。F1-score加权平均的精度和召回。一个好的F1-score意味着您拥有较低的假阳性和假阴性。一个F1.00 1-score时被认为是完美的,而模型是完全失败时是0.00。在我们的实验中,我们得到非常高F1-scores在0.84和0.88之间,非常接近1.00的分类器算法(表6)。因此,算法的性能结果和很好的精度,回忆,和F1-scores表明模型建立的算法是有效的。所有的模型分类银行性能优越。

4所示。结论

在这项研究中,我们使用定量的结构化问卷调查方法使用高效抽样技术选择305名受访者。八(8)不同的机器学习算法被用来建立性能模型预测的潜在性能尼日利亚商业银行行业基于人力资源状况(员工技能、态度和行为)使用Scikit-learn包进行数据分析。分析的结果清楚地表明,在实现组织人力资源的结果是至关重要的性能。银行的机器学习模型预测性能优越的74 - 81%的精度。上级类都有一个“支持”大小为227,即,the number of the true response samples out of the overall samples of 305. To measure the performance of the classifier algorithms, a confusion matrix was used, and the good results of the metrics such as precision, recall, andF1-scores清楚地表明,该模型是有效的。的八个分类器模型,梯度推进有最好的性能结果。功能重要性评价使用功能重要性的包在Scikit-learn显示每个特性的相对重要性或贡献的预测。的三个特性(员工态度、员工行为和员工技能),员工的态度是额定远远超过其他人。尼日利亚的银行行业需要更加注重员工的态度和提高更多,可以采取这样的性能优秀的类从当前优秀等级。

进一步的工作将研究其他因素和特性,还可以提高商业银行的性能(27]。

数据可用性

使用的数据来支持本研究的发现可以要求从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

第二作者想欣赏Sol Plaatje大学基础设施支持这项研究。

引用

1. l .回来”,战略人力资源管理对组织绩效的影响,“系列管理,17卷,不。2、2014。视图:谷歌学术搜索
2. e . n . Caliskan“战略人力资源管理对组织绩效的影响,“海军科学与工程》杂志上》第六卷,没有。2、100 - 116年,2010页。视图:谷歌学术搜索
3. 主机,j . o .和队友a·c·a·赛斯和m . Osei-Boateng”评估公共银行的人力资源管理实践从员工的角度来看:选择加纳商业银行分支机构的案例研究表明,库马西,”全球人力资源管理杂志》上,4卷,不。1,13-30,2016页。视图:谷歌学术搜索
4. j .把n Gupta,“人力资源管理实践和组织有效性:内部配合很重要,”《组织有效性:人们和性能,3卷,不。2、139 - 163年,2016页。视图:出版商的网站|谷歌学术搜索
5. e . Berkery m·j·莫雷蒂尔南,h . Purtill和e·帕里,“灵活的工作安排和协会的吸收有人力资源和组织性能的结果,“欧洲管理评审,14卷,不。2,页165 - 183,2017,2017年夏天。视图:出版商的网站|谷歌学术搜索
6. s . o .阿提库p . Chitakunye和z域”,组织学习和人力资源结果对商业银行的业绩在尼日利亚,”社会科学杂志,40卷,不。1,9-20,2014页。视图:出版商的网站|谷歌学术搜索
7. 诉Jayasree r . v . s .巴兰,“回顾数据挖掘在银行业,”美国应用科学杂志》上,10卷,不。10日,1160 - 1165年,2013页。视图:出版商的网站|谷歌学术搜索
8. k . Chitra和b . Subashini”,在银行业,数据挖掘技术及其应用”国际期刊的新兴技术和先进的工程,3卷,不。8,2013。视图:谷歌学术搜索
9. l . Shih-Wei s Yeou-Ren c史记,c . Hui-Miao”应用增强了数据挖掘方法在预测银行性能:台湾的商业银行,”专家系统与应用程序36卷,第11551 - 11543页,2009年。视图:谷歌学术搜索
10. 黄z h . Chen C.-J。许,W.-H。陈、吴,”信用评级分析与支持向量机和神经网络:市场比较研究,“决策支持系统,37卷,不。4、543 - 558年,2004页。视图:出版商的网站|谷歌学术搜索
11. 即埃Riana, g . Suparna i Gusti Suwandana, s .科特和Rajiani,”在促进创新和组织绩效,人力资源管理”管理问题和观点,18卷,不。1,第118 - 107页,2020。视图:出版商的网站|谷歌学术搜索
12. 通用汽车Pradhan,”人力资源管理实践对行为结果的影响金融机构的尼泊尔,”的Batuk》第六卷,没有。1,17-27,2020页。视图:出版商的网站|谷歌学术搜索
13. m . Alatailat h . Elrehail, o . l . Emeagwali“高性能工作实践、组织性能和战略思考,“组织分析的国际期刊,2019年。视图:出版商的网站|谷歌学术搜索
14. p . Maroufkhani m . l .曾m . Iranmanesh w·k·w·伊斯梅尔和h·哈立德”大数据分析采用:决定因素和表演中中小型企业,“国际信息管理杂志》上卷,54篇文章ID 102190, 2020。视图:出版商的网站|谷歌学术搜索
15. m . r .伊斯兰教和m·A·哈比卜”,数据挖掘方法来预测未来的业务部门在零售银行贷款使用决策树,”国际期刊的数据挖掘和知识管理过程,5卷,不。2,13-22,2015页。视图:出版商的网站|谷歌学术搜索
16. i . g . n . n .曼荼罗c . b . Nawangpalupi和f·r·Praktikto”评估信用风险:一个应用程序的数据挖掘农村银行,”Procedia经济学和金融学4卷,第412 - 406页,2012年。视图:出版商的网站|谷歌学术搜索
17. t . f . Bahari和m . s . Elayidom”,一个高效的crm数据挖掘框架,对客户行为的预测,”Procedia计算机科学,46卷,第731 - 725页,2015年。视图:出版商的网站|谷歌学术搜索
18. d . Kabakchieva”,学生成绩预测通过使用数据挖掘分类算法,”国际计算机科学和管理研究杂志》上,1卷,不。4、2278 - 733 x 2012页。视图:谷歌学术搜索
19. d . Kabakchieva”预测学生成绩通过使用数据挖掘方法分类,“控制论和信息技术,13卷,不。1,第72 - 61页,2013年,打印ISSN: 1311 - 9702;在线ISSN: 1314 - 4081。视图:出版商的网站|谷歌学术搜索
20. http://www.zentut.com/data-mining/数据挖掘教程。
21. s . o .阿提库”,组织文化和绩效之间的关系:银行业在尼日利亚,”夸祖鲁-纳塔尔大学德班,南非,2014年博士论文。视图:谷歌学术搜索
22. 组、惠誉2011年财政标,巴黎,法国,2012年。
23. 答:俄南、美国Korukoğlu和h . Bulut”的关键词提取方法和分类器在文本分类,“专家系统与应用程序57卷,第247 - 232页,2016年。视图:出版商的网站|谷歌学术搜索
24. 答:俄南”,分类器和网页分类特性集集合体,”信息科学杂志》,42卷,不。2、150 - 165年,2016页。视图:出版商的网站|谷歌学术搜索
25. a .俄南“生物医学文本分类基于合奏修剪和优化的主题造型,“计算和数学方法在医学卷,2018篇文章ID 2497471, 22页,2018年。视图:出版商的网站|谷歌学术搜索
26. t . o . Ayodele”类型的机器学习算法,机器学习的新进展,3卷,19-48,2010页。视图:谷歌学术搜索
27. a .俄南“生物医学文本分类基于合奏修剪和优化的主题造型,“计算和数学方法在医学卷,2018篇文章ID 2497471, 22页,2018年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Sulaiman o .阿提库Ibidun Obagbuwa。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。