Přehled o publikaci
2014
Identifying Corporate Performance Factors Based on Feature Selection in Statistical Pattern Recognition: METHODS, APPLICATION, INTERPRETATION
PUDIL, Pavel; Ladislav BLAŽEK; Ondřej ČÁSTEK; Petr SOMOL; Jana POKORNÁ et. al.Základní údaje
Originální název
Identifying Corporate Performance Factors Based on Feature Selection in Statistical Pattern Recognition: METHODS, APPLICATION, INTERPRETATION
Autoři
PUDIL, Pavel (203 Česká republika); Ladislav BLAŽEK (203 Česká republika, garant, domácí); Ondřej ČÁSTEK (203 Česká republika, domácí); Petr SOMOL (203 Česká republika); Jana POKORNÁ (203 Česká republika, domácí) a Maria KRÁLOVÁ (203 Česká republika, domácí)
Vydání
1. vyd. Brno, 170 s. 2014
Nakladatel
Masarykova univerzita
Další údaje
Jazyk
angličtina
Typ výsledku
Odborná kniha
Obor
Řízení, správa a administrativa
Stát vydavatele
Česká republika
Utajení
není předmětem státního či obchodního tajemství
Forma vydání
tištěná verze "print"
Kód RIV
RIV/00216224:14560/14:00074365
Organizace
Ekonomicko-správní fakulta – Masarykova univerzita – Repozitář
ISBN
978-80-210-7557-3
Klíčová slova anglicky
Dependency-Aware Feature Ranking; Feature Selection; Pattern Recognition; Corporate Financial Performance; Competitiveness; Factors; Linear Regression; Non-linear Regression; Sequential Forward Flow Search; k Nearest Neighbours
Návaznosti
GAP403/12/1557, projekt VaV.
Změněno: 2. 9. 2020 00:18, RNDr. Daniel Jakubík
Anotace
V originále
This publication summarizes and extends methodology of feature selection (FS) and pattern recognition in search for competitiveness factors and methodology of corporate financial performance (CFP) measurement. Several methods were evaluated and Dependency-Aware Feature Ranking combined with non-linear regression model were applied. Also, this publication suggests and verifies methodology of interpretation results of the FS methods. For start was employed multidimensional linear regression, succeeded by clustering companies according to the factors identified by FS into homogenous groups, dividing them into quartiles based on their CFP and identifying similar values of the factors. This way was captured the non-linearity in the data.
