Corporate finance risk prediction based on LightGBM

Integrating physical, computational, and networking resources are the goal of cyber‐physical systems, also known as smart‐embedded systems. By investing in a solid foundation, we can improve the usefulness and timeliness of the services we rely on in every facet of our lives and ultimately live more elegantly. Regarding modern technology, data security is a significant factor that must be considered. The complexity of cyber‐physical systems' interacting components and middleware presents serious hurdles when it comes to protecting them from cyber‐attacks without negatively impacting their performance. This article proposes a unique, efficient encryption technique for anticipating cyber assaults in cyber‐physical systems, which addresses these concerns. The suggested method uses Bayesian optimization techniques to fine‐tune the LightGBM algorithm's hyper‐parameters. This proposed algorithm has been implemented on the intrusion detection dataset (UNR‐IDD) from the University of Nevada. Reno has been used to test the suggested approach. The proposed system achieved 99.17% accuracy, 0.9918 precision, and 0.9922 recall values. Our empirical evaluation demonstrates that the algorithm successfully increases accuracy and AUC value, making the cyber‐physical system more secure. In turn, the suggested methodology may offer robust assurance for user data safety.

show abstract

“…However, they are employed as a "basis" for studying binary classifiers to establish their efficacy. 39…”

Section: Fprmentioning

confidence: 99%

OptimizedLightGBMmodel for security and privacy issues incyber‐physicalsystems

Dalal

Poongodi

Lilhore

et al. 2023

Trans Emerging Tel Tech

View full text Add to dashboard Cite

show abstract

“…LGBM có thể được sử dụng để giải quyết các bài toán phân loại và hồi quy. LGBM đã được sử dụng thành công trong nhiều bài toán khác nhau như phát hiện gian lận nhấp chuột trực tuyến [12], dự báo rủi ro tài chính doanh nghiệp [13], nguy cơ an toàn thực phẩm [14]. Trong nghiên cứu này, LGBM được sử dụng để dự báo và đánh giá phân vùng nhạy cảm ngập lụt; là bài toán phân loại nhị phân; trong đó có 02 biến đầu ra "ngập lụt" được mã hóa là "1" và "không ngập lụt" được mã hóa là "0".…”

Section: Giới Thiệu Về Mô Hình Lgbmunclassified

Xây dựng bản đồ phân vùng nhạy cảm ngập lụt sử dụng mô hình Light Gradient Boosting Machine

Tuấn¹,

Đạt²,

Đảm³

et al. 2023

VNJHM

View full text Add to dashboard Cite

Mục tiêu chính của nghiên cứu này là xây dựng bản đồ phân vùng nhạy cảm ngập lụt khu vực huyện Quảng Trạch, tỉnh Quảng Bình (Việt Nam) sử dụng mô hình Light Gradient Boosting Machine LGBM -một trong những mô hình trí tuệ nhân tạo hiệu quả trong đánh giá và dự báo thiên tai. Cơ sở dữ liệu bao gồm 173 vị trí ngập lụt trong quá khứ và 07 tham số thành phần (mưa, địa mạo, độ bao phủ mặt đất, độ cao, hình dáng bề mặt địa hình, góc mái dốc, và hướng mái dốc) đã được thu thập để xây dựng dữ liệu đào tạo (70%) và dữ liệu kiểm tra (30%) dùng cho xây dựng và kiểm chứng mô hình. Độ chính xác của mô hình được đánh giá thông qua nhiều thông số thống kê định lượng bao gồm diện tích dưới đường cong ROC (AUC). Kết quả nghiên cứu thể hiện rằng LGBM có độ chính xác cao trong dự báo và phân vùng nhạy cảm ngập lụt tại khu vực nghiên cứu (AUC = 0,96 cho dữ liệu đào tạo và AUC = 0,88 cho dữ liệu kiểm tra). Bản đồ phân vùng nhạy cảm ngập lụt xây dựng từ mô hình có độ chính xác cao có thể được dùng trong việc nâng cao hiệu quả quy hoạch sử dụng đất và đưa ra các giải pháp phù hợp để giảm thiểu tác hại gây ra bởi ngập lụt tại khu vực nghiên cứu.

show abstract

“…Proposed in 2017, LightGBM is an adaptive gradient boosting model, an efficient implementation form of gradient boosting trees, that improves the algorithm's computing power and prediction accuracy by using the histogram algorithm and other algorithms [21]. LightGBM has two sampling techniques, and we use the gradient-based one side sampling (GOSS) in this study to build fake news model detection.…”

Section: Lightgbmmentioning

confidence: 99%

“…LightGBM is the new version of gradient boosting decision tree (GBDT), a widely-used ensemble machine learning algorithm, due to its efficiency, accuracy, and interpretability [20]. In most scenarios, its prediction accuracy is better than other machine learning algorithms [21]. LightGBM aims to enhance the model's efficiency and decrease memory usage [20].…”

Section: Introductionmentioning

confidence: 99%

News classification using light gradient boosted machine algorithm

Kholiq

Wiranto

Sihwi

2022

IJEECS

View full text Add to dashboard Cite

News classification is a complex issue as people are easily convinced of misleading information and lack control over the spread of fake news. However, we ca n break the problem of spreading fake news with artificial intelligence (AI), which has developed rapidly. This study proposes a news classification model using a light gradient boosted machine (LightGBM) algorithm. The model is analyzed using two feature extraction techniques, count vectorizer and Tfidf vectorize r and compared with a deep learning model using long - short term memory (LSTM). The experimental evaluation showed that all LightGBM models outperform LSTM. The best model is the count vectorizer Li ghtGBM, which achieves an accuracy value of 0.9933 and an area under curve (AUC) score of 0.9999.

show abstract

Corporate finance risk prediction based on LightGBM

Cited by 109 publications

References 33 publications

OptimizedLightGBMmodel for security and privacy issues incyber‐physicalsystems

OptimizedLightGBMmodel for security and privacy issues incyber‐physicalsystems

Xây dựng bản đồ phân vùng nhạy cảm ngập lụt sử dụng mô hình Light Gradient Boosting Machine

News classification using light gradient boosted machine algorithm

Contact Info

Product

Resources

About