FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W2973163739> ?p ?o ?g. }

• W2973163739 abstract "Die Bedeutung von Startups fur die wirtschaftliche Dynamik, Innovation und den Wettbewerb wurde bereits in der bestehenden Literatur anerkannt. Die hochst unsichere und volatile Natur des Startup-Okosystems erschwert es, Informationen zu analysieren und zu interpretieren, um die Erfolgsquote eines Startups zu beurteilen. Die zeit- und rechenintensive Natur dieses Vorhersageproblems verdeutlicht die Notwendigkeit eines quantifizierten Modells, das einen objektiven Ansatz fur die Vorhersage von erfolgreichen Startups ermoglicht. Das Ziel dieser Masterarbeit ist es, reproduzierbare Modelle fur die Erfolgsvorhersage von Start-ups basierend auf maschinellen Lernverfahren zu erhalten. Fruhere Literatur, die sich mit dem Vorhersageproblem befasst, greift fast ausschlieslich auf Umfragedaten von Unternehmen zuruck. Aufgrund der subjektiven Datenerhebung ist die wiederholbare und automatisierte Anwendung dieser Analysen und Schatzungen fur zukunftige Erfolgsprognosen nicht moglich. Aus diesem Grund wird in dieser Masterarbeit auf offentlich zugangliche und gros angelegte Daten der Online-Investor-Plattform crunchbase.com zuruckgegriffen. Durch die Verwendung des Oversampling-Ansatzs ADASYN wird die Datenmenge vorverarbeitet, um eine Stichprobenverzerrung und -ungleichgewicht zu vermeiden. Insgesamt werden sechs verschiedene Modelle implementiert, um die Erfolgsquote von Start-ups vorherzusagen. Dabei handelt es sich um logistische Regressionen (voll und reduziert), Recursive Partitioning Tree, Conditional Inference Tree, Random Forest und Extreme Gradient Boosting. Mit einer Testsatz-Vorhersagegenauigkeiten von 94,1% bzw. 94,5%, sowie einer AUC von 92,22% bzw. 92,91% werden die Ensemble-Modelle, Random Forest und Extreme Gradient Boosting als leistungsstarkste Modelle ausgewahlt. Die wichtigsten Variablen in diesen Modellen sind dabei Last Funding to Date, First Funding Lag und Company Age.%%%%The importance of startups for economic dynamism, innovation and competition has been acknowledged in literature. The highly uncertain and volatile nature of the startup ecosys- tem makes it difficult to analyze and interpret information to evaluate if a startup will be successful. The time and computationally intensive nature of this prediction problem induces the need for a quantified model, which enables an objective approach to startup success pre- diction. In this paper, the objective is to obtain reproducible models for startup success prediction, using machine learning methods. Earlier literature predicting startup success almost exclusively relies on survey data collected from firms analyzed in those studies and estimation. Hence, it is almost impossible to apply them in a repeatable, automated way to future startup success prediction. In this paper publicly available, large scale data from online investor platform, crunchbase.com is used. The data is pre-processed for sampling bias and imbalance by using oversampling approach, ADASYN. A total of six different models are implemented to predict startup success, which are logistic…" @default.
• W2973163739 created "2019-09-19" @default.
• W2973163739 creator A5083381451 @default.
• W2973163739 date "2019-08-13" @default.
• W2973163739 modified "2023-09-22" @default.
• W2973163739 title "Searching for a Unicorn: A Machine Learning Approach Towards Startup Success Prediction" @default.
• W2973163739 cites W1514314224 @default.
• W2973163739 cites W1514907448 @default.
• W2973163739 cites W1525324363 @default.
• W2973163739 cites W1557744493 @default.
• W2973163739 cites W1565720227 @default.
• W2973163739 cites W1875061881 @default.
• W2973163739 cites W1975482862 @default.
• W2973163739 cites W1996294649 @default.
• W2973163739 cites W2001940407 @default.
• W2973163739 cites W2005557681 @default.
• W2973163739 cites W2013831240 @default.
• W2973163739 cites W2016038086 @default.
• W2973163739 cites W2026501592 @default.
• W2973163739 cites W2046932826 @default.
• W2973163739 cites W2064851486 @default.
• W2973163739 cites W2070493638 @default.
• W2973163739 cites W2075748664 @default.
• W2973163739 cites W2075780421 @default.
• W2973163739 cites W2079734970 @default.
• W2973163739 cites W2083211221 @default.
• W2973163739 cites W2099670044 @default.
• W2973163739 cites W2102307789 @default.
• W2973163739 cites W2104933073 @default.
• W2973163739 cites W2112440119 @default.
• W2973163739 cites W2123998733 @default.
• W2973163739 cites W2131566901 @default.
• W2973163739 cites W2143481518 @default.
• W2973163739 cites W2148143831 @default.
• W2973163739 cites W2148962857 @default.
• W2973163739 cites W2151417045 @default.
• W2973163739 cites W2166207903 @default.
• W2973163739 cites W2287405219 @default.
• W2973163739 cites W2289690891 @default.
• W2973163739 cites W2338318698 @default.
• W2973163739 cites W2487770199 @default.
• W2973163739 cites W2732032236 @default.
• W2973163739 cites W2899716774 @default.
• W2973163739 cites W2911964244 @default.
• W2973163739 cites W3102476541 @default.
• W2973163739 cites W3124281572 @default.
• W2973163739 cites W429766147 @default.
• W2973163739 doi "https://doi.org/10.18452/20347;" @default.
• W2973163739 hasPublicationYear "2019" @default.
• W2973163739 type Work @default.
• W2973163739 sameAs 2973163739 @default.
• W2973163739 citedByCount "0" @default.
• W2973163739 crossrefType "dissertation" @default.
• W2973163739 hasAuthorship W2973163739A5083381451 @default.
• W2973163739 hasConcept C142362112 @default.
• W2973163739 hasConcept C144133560 @default.
• W2973163739 hasConcept C15708023 @default.
• W2973163739 hasConcept C17744445 @default.
• W2973163739 hasConcept C178550888 @default.
• W2973163739 hasConceptScore W2973163739C142362112 @default.
• W2973163739 hasConceptScore W2973163739C144133560 @default.
• W2973163739 hasConceptScore W2973163739C15708023 @default.
• W2973163739 hasConceptScore W2973163739C17744445 @default.
• W2973163739 hasConceptScore W2973163739C178550888 @default.
• W2973163739 hasLocation W29731637391 @default.
• W2973163739 hasOpenAccess W2973163739 @default.
• W2973163739 hasPrimaryLocation W29731637391 @default.
• W2973163739 isParatext "false" @default.
• W2973163739 isRetracted "false" @default.
• W2973163739 magId "2973163739" @default.
• W2973163739 workType "dissertation" @default.