يُعدّ التنبؤ بنجاح الشركات الناشئة تحديًا معقّدًا وعالي المخاطر في ريادة الأعمال وتحليل الاستثمار. تقدّم هذه الدراسة نموذجًا مُحسّنًا لأشجار التجميع (Bagging Tree) مدعومًا بالضبط البايزي للمعاملات الفائقة لتحسين دقة التصنيف في مجموعات بيانات غير متوازنة. تم تطبيق خط أنابيب تعلم آلي منظّم يشمل المعالجة المسبقة للبيانات، واختيار السمات، وتدريب النموذج، ومقارنته بمصنّفات معيارية مثل أشجار القرار و(SVM) والشبكات العصبية. حقّق النهج المقترح تحسنًا ملحوظًا في الدقة من 64.7% إلى 85.9%، خصوصًا في اكتشاف الشركات الفاشلة التي غالبًا ما يُساء تصنيفها بسبب عدم توازن الفئات. كما أظهرت تحليلات السمات أن علاقات الاستثمار، ومحطات التمويل، وخصائص شبكات الأعمال تؤثر بشكل كبير في النتائج. وتشير الدراسة إلى محدوديات تتعلق بعدم توازن البيانات وعدم إدراج المتغيرات الاقتصادية والسياساتية الأوسع، وتوصي بأبحاث مستقبلية تتضمن أساليب تعلم عميق ودمج مؤشرات اقتصادية كلية لتعزيز قابلية التعميم، بما يدعم تطوير أدوات قرار أكثر موثوقية للمستثمرين ورواد الأعمال وصنّاع السياسات.