The Journal of Financial Data Science· 2026Q2
Finansal Uygulamalar İçin Stabilite Ağırlıklı Topluluk Özellik Önem Derecesi
Stability-Weighted Ensemble Feature Importance for Financial Applications
- 2atıf
- Q2SCImago
- 2026yıl
Kısa özet
Yeni bir yöntem olan SWEFI, stabilite seçimi ile topluluk öğrenimini birleştirerek gürültülü finansal veriler için kararlı ve doğru özellik önem dereceleri sağlar, deneylerde mevcut yöntemlerden daha iyi performans gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Özellik önemi için stabilite seçimi ve topluluk öğrenimini birleştiren yeni bir yöntem olan SWEFI'yi tanıtır.
- Geleneksel yöntemleri engelleyen gürültülü ve durağan olmayan finansal verilerin zorluklarını ele alır.
- SWEFI, birden fazla teknik ve öğrenme modeli kullanarak özellik alaka düzeyini değerlendirir.
- Deneysel sonuçlar, SWEFI'nin mevcut yöntemlere göre üstün stabilitesini ve doğruluğunu göstermektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Robust feature importance is crucial in financial applications to enhance model interpretability and performance. Traditional methods often falter when applied to noisy, non-stationary financial data, leading to inconsistent and unreliable feature importance scores. This paper introduces the stability-weighted ensemble Feature Importance (SWEFI) method, which combines stability selection with ensemble learning to address these challenges. SWEFI aims to deliver stable and interpretable feature importance scores, thereby improving model reliability in high-stakes financial environments. The methodology integrates multiple feature importance techniques and learning models, assessing feature relevance through a comprehensive and systematic approach. Extensive experiments using synthetic and real-world financial datasets demonstrate SWEFI's superior stability and accuracy compared to existing methods. This research underscores the importance of stable feature importance measures, facilitating better decision-making and enhancing trust in machine learning models.
Yazarların özeti; kaynağından alınmıştır. The Journal of Financial Data Science, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yapay Zeka
Artificial IntelligenceComputer Science