Оценивание кредитных рисков
Курсовой проект - Компьютеры, программирование
Другие курсовые по предмету Компьютеры, программирование
х обучающей выборки плохих кредитов:= -0.4214 0.0414 -0.8371 -0.1811 0.2954
На основе найденных энергий связи ищем расстояния между анализируемым объектом и соответствующими эталонными классами. Найденные расстояния заносятся в вектор D:= 1.0171 0.9790 1.4592 0.9669 1.4997 0.9802 1.0235 1.2802 1.0799 0.8736
Четные элементы вектора D отображают расстояния между исследуемым объектом и хорошими кредитами, соответственно нечетные между исследуемым объектом и плохими.
Находим минимальное значение расстояния, которое будет определять к каком у классу относится исследуемый объект. Оно равно
D=0.8736
Так как этот элемент четный, следовательно, кредит относится к классу плохих.
После решения задачи классификации получаем следующий результат:
Рис 5. Интерпретация полученного результата.
Из полученных результатов видно, что кредит заявителя относится к группе плохих, следовательно, заявление будет отклонено.
7.2Решение задачи кластеризации и интерпретация результатов
В курсовой работе для интеллектуальной информационной системы оценки кредитов была разработана процедура самообучения (обучения без эксперта) для автоматической кластеризации ряда кредитов. Результатом решения задачи кластеризации будут сформированные классы на плоскости вычисленных значений энергии связи.
Для демонстрации результатов решения задачи классификации возьмем из базы данных выборку из разных кредитов:
1 8 4 0 3398 1 4 1 3 1 4 1 39 3 2 2 2 1 1
1 6 4 0 1361 1 2 2 3 1 4 1 40 3 2 1 2 2 1
4 18 4 3 1098 1 1 4 2 1 4 3 65 3 2 2 1 1 1
2 24 2 3 3758 3 1 1 2 1 4 4 23 3 1 1 1 1 1
1 11 4 0 3905 1 3 2 3 1 2 1 36 3 1 2 3 2 1
Листинг программы решения задачи кластеризации, реализующий вычислительную процедуру обучения без эксперта представлен ниже:
function res = unstraining(M)=[1 1 8 4 0 3398 1 4 1 3 1 4 1 39 3 2 2 2 1 1
1 6 4 0 1361 1 2 2 3 1 4 1 40 3 2 1 2 2 1
4 18 4 3 1098 1 1 4 2 1 4 3 65 3 2 2 1 1 1
2 24 2 3 3758 3 1 1 2 1 4 4 23 3 1 1 1 1 1
1 11 4 0 3905 1 3 2 3 1 2 1 36 3 1 2 3 2 1 ]
[U,S,V]=svd(O);=V(:,1);=V(:,2);i=1:5(i)=1/S(1,1)*O(i,:)*V1;i=1:5(i)=1/S(3,3)*O(i,:)*V2;
end(w1,w2)
Входными данными является матрица О, строки которой нужно кластеризировать.
Представим матрицу О в виде правого, левого сингулярных векторов и сингулярного числа.
U =
.5124 0.0056 -0.4438 0.1601 0.7175
.2053 0.3968 -0.2730 0.7065 -0.4762
.1657 0.8682 0.3083 -0.3237 0.1378
.5667 -0.2687 0.7328 0.2639 -0.0082
.5888 -0.1289 -0.3106 -0.5485 -0.4892=
.0e+003 *1 through 9
.6319 0 0 0 0 0 0 0 0
0.0632 0 0 0 0 0 0 0
0 0.0158 0 0 0 0 0 0
0 0 0.0030 0 0 0 0 0
0 0 0 0.0020 0 0 0 010 through 18
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 019 through 20
0
0
0
0
0=1 through 9
.0003 0.0138 0.0009 0.0871 -0.0591 -0.9901 -0.0226 -0.0024 0.0010
.0005 0.0508 0.1055 -0.1514 0.1433 0.0139 0.0263 -0.0304 -0.0530
.0043 0.1611 0.9170 -0.0025 -0.1070 0.0059 -0.0823 0.2162 -0.1239
.0011 0.0637 -0.0890 0.1703 -0.2282 0.1112 -0.2703 0.0812 -0.0509
.0003 0.0284 0.1971 -0.0605 0.1942 0.0023 -0.1151 -0.2611 0.3630
.9999 -0.0118 -0.0022 -0.0009 0.0005 0.0000 0.0001 -0.0010 0.0004
.0005 0.0053 0.0934 0.2650 -0.0672 0.0259 0.9256 -0.0155 0.0323
.0007 0.0163 -0.1396 0.1173 0.2893 -0.0088 -0.0007 0.9065 0.1049
.0005 0.0592 0.0224 -0.1871 -0.3347 0.0029 0.0286 0.0987 0.8687
.0008 0.0319 -0.0631 0.2813 -0.2420 0.0317 -0.0679 0.0011 -0.0070
.0003 0.0138 0.0009 0.0871 -0.0591 0.0096 -0.0226 -0.0009 0.0011
.0011 0.0593 0.0427 0.7180 0.2522 0.0451 -0.1614 -0.1569 0.2082
.0006 0.0285 0.1785 0.1357 0.0663 0.0121 -0.0480 -0.0158 0.0375
.0110 0.9760 -0.1586 -0.0728 0.0453 -0.0018 0.0456 -0.0430 -0.0516
.0009 0.0414 0.0026 0.2612 -0.1772 0.0289 -0.0677 -0.0027 0.0034
.0004 0.0339 -0.0249 0.2700 0.1302 0.0144 -0.0548 -0.0711 0.0885
.0005 0.0256 -0.0273 -0.1530 0.1237 -0.0185 0.0437 -0.0068 0.0014
.0006 0.0161 -0.0836 0.0094 -0.4272 0.0188 -0.0098 0.0787 -0.1100
.0004 0.0180 -0.0360 0.1403 -0.5411 0.0359 -0.0499 0.0881 -0.1156
.0003 0.0138 0.0009 0.0871 -0.0591 0.0096 -0.0226 -0.0009 0.001110 through 18
.0334 -0.0097 -0.0502 -0.0074 -0.0368 -0.0291 -0.0187 0.0147 -0.0180
.0028 -0.0027 -0.0091 -0.0099 -0.9669 -0.0081 -0.0191 -0.0464 0.0047
.0302 -0.0073 0.0835 -0.1491 0.0865 -0.0219 0.0792 0.0392 -0.0188
.3726 -0.1092 -0.4680 -0.0996 -0.0825 -0.3275 -0.1534 0.1966 -0.2478
.0468 -0.0021 -0.6049 -0.1649 0.0692 -0.0064 -0.2460 -0.0047 0.3471
.0002 -0.0000 0.0001 0.0002 -0.0001 -0.0001 0.0000 -0.0005 -0.0003
.0815 -0.0254 -0.1802 -0.0395 -0.0163 -0.0763 -0.0656 0.0442 -0.0169
.0348 0.0078 -0.1270 -0.0197 -0.0173 0.0233 -0.0592 -0.0204 0.1061
.0227 -0.0025 0.1935 0.0437 -0.0725 -0.0074 0.0812 0.0059 -0.1219
.8884 -0.0311 -0.1416 -0.0130 -0.0857 -0.0934 -0.0524 0.0506 -0.0719
.0327 0.9906 -0.0492 -0.0073 -0.0253 -0.0283 -0.0180 0.0155 -0.0175
.1270 -0.0442 0.4429 -0.1140 -0.0767 -0.1326 -0.2200 0.0668 0.1073
.0300 -0.0119 -0.1267 0.9586 -0.0015 -0.0357 -0.0453 0.0213 0.0215
.0078 0.0012 0.0195 0.0150 0.0606 0.0036 -0.0124 -0.0537 -0.0008
.0980 -0.0283 -0.1476 -0.0220 -0.0760 0.9150 -0.0541 0.0464 -0.0526
.0391 -0.0141 -0.2131 -0.0410 -0.0429 -0.0423 0.9138 0.0190 0.0533
.0613 0.0176 0.0831 0.0139 -0.0048 0.0529 0.0285 0.9679 0.0374
.0808 -0.0185 0.0878 0.0367 -0.0727 -0.0554 0.0396 0.0327 0.8569
.1367 -0.0348 0.0150 0.0225 -0.0880 -0.1043 0.0151 0.0617 -0.1790
.0327 -0.0094 -0.0492 -0.0073 -0.0253 -0.0283 -0.0180 0.0155 -0.017519 through 20
-0.0316 -0.0097
.0230 -0.0027
.0799 -0.0073
.4279 -0.1092
.3530 -0.0021
.0002 -0.0000
.0568 -0.0254
.1269 0.0078
.1306 -0.0025
.1170 -0.0311
.0316 -0.0094
.0493 -0.0442
.0006 -0.0119
.0277 0.0012
.0947 -0.0283
.0373 -0.0141
.0657 0.0176
.1732 -0.0185
.7645 -0.0348
.0316 0.9906
В процессе решения задачи зададим произвольные V1 b V2 bвычислbv энергии связи W1 и W2:=
.5124 -0.2053 -0.1657 -0.5667 -0.5888=
.0225 1.5830 3.4632 -1.0718 -0.5144
На плоскости вычисленных значений энергии связи формируем классы.
Результат решения задачи кластеризации представлен на рисунке 6.
Рис 6. Результат решения задачи кластеризации
Проведем интерпретацию полученных результатов. Из рисунка видно, что кредит 2 и 3, т.е.:
1 1 6 4 0 1361 1 2 2 3 1 4 1 40 3 2 1 2 2 1
1 4 18 4 3 1098 1 1 4 2 1 4 3 65 3 2 2 1 1 1
относятся к классу хорошие кредиты и заявление на кредит будет одобрено.
Кредиты 1, 4 и 5, т.е.:
1 1 8 4 0 3398 1 4 1 3 1 4 1 39 3 2 2 2 1 1
1 2 24 2 3 3758 3 1 1 2 1 4 4 23 3 1 1 1 1 1
1 1 11 4 0 3905 1 3 2 3 1 2 1 36 3 1 2 3 2 1
относятся к классу плохие кредиты и заявление на кредит будет отклонено.
7.3Формирование оценки риска кредита и интерпретация результатов
В разработанной интеллектуальной системе оценки кредитного риска была реализована процедура формирования индексов оценки рисков кредитов.
Программный листинг формирования индексов оценки рисков кредитов представлен ниже:
function res = training(Z,A1,D,l)=[0 2 6 1 0 931 2 2 1 2 1 1 2 32 2 2