Оценка кредитоспособности заемщиков БИНБАНК методами нейросетевого моделирования
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
еперь необходимо проверить построенную модель на работоспособность с новыми входящими показателями. Если ошибка обучения и тестирования не увеличатся по сравнению с первоначальной моделью, то можно будет говорить о том, что оптимизация нейронной сети прошла успешна.
Итак, необходимо проверить, чтобы наше количество нейронов на внутреннем слое, равное 4 удовлетворяли следствию теоремы Арнольда - Колмогорова - Хехт-Нильсена [16]. Количество входящих параметров равно 7, выходных параметров - 1, обучающая выборка составляет 60 примеров. N попадает в промежуток от 1 до 11.
Таким образом, как мы видим, условие оптимальности нейронов на внутреннем слое соблюдается. Следовательно, наша модель будет выглядеть следующим образом.
Таблица 10
Характеристики нейронной сети
СлойКоличество нейроновАктивационная функцияВходной7ЛинейнаяСкрытый4СигмоидаВыходной1Сигмоида
При этом получаем, что общее число нейронов составляет 12.
Алгоритм обучения - обратное распространение ошибки.
Скорость - 0,08.
Количество эпох - 10000.
Инициализация весов - стандартное распределение.
Масштабирование данных - линейное.
Чем сильнее возрастает погрешность прогнозов при отсутствии какого-либо входного параметра модели, тем больше значимость этого параметра для точности прогнозов модели. Если фактор незначимый, его можно исключить из нейросети. И, если в новой сети ошибки обучения и тестирования будут ниже или примерно соответствовать ошибкам первоначальной модели, то можно будет сказать что данная построенная модель оптимальнее первоначальная. Стоит отметить, что обучающая и тестирующая выборки аналогичны первоначальным. Ошибка обучения и ошибка тестирования неоптимизированной нейросети (Приложение 1, Приложение 2 соответственно). Ошибка обучения и ошибка тестирования оптимизированной нейросети (Приложение 3, Приложение 4 соответственно).
Таблица 11
Сравнение моделей
Кол-во входовОшибка обученияОшибка тестирования83,06 %0,85 ,39 %1,31 %
Можно отметить, что при сокращении количества входных параметров модель ухудшается и ошибки увеличиваются. Но, стоит сказать, что рост ошибок был незначительным при значительном сокращении количества показателей. При этом даже при полученных погрешностях нейронная сеть смогла обучиться и на тестирующей выборке, с учетом округления, полностью предсказала проблемных заемщиков.
Новая полученная модель также является работоспособной. И при этом, за iет меньшего количества параметров она является более оптимальной. Попробуем в новой построенной модели определить значимость параметров, и возможно, еще упростить нейронную сеть. График значимости выглядит следующим образом (рис 10).
Рисунок 10. Оценка значимости входящих параметров
Подведем итоги. Первоначально, построив модель с 8 параметрами на входе, мы получили неплохие результаты. Но модель выглядела несколько громоздкой. Поэтому, следующим шагом стала оптимизация модели - сокращение незначимых факторов модели.
Получили модель с 7 параметрами на входе. Стоит отметить, что ошибка обучения и тестирования новой модели увеличилась, но не критически. Модель также смогла разделить заемщиков на благонадежных и неблагонадежных. Таким образом, новая нейронная сеть выглядела также работоспособной и уже более простой.
В итоге, получаем, что по нашим раiетам, наиболее простой, оптимальной и работоспособной моделью для определения кредитного риска заемщика будет первоначальная неоптимизированная нейронная сеть со следующими параметрами.
Таблица 12
Характеристики итоговой нейронной сети
СлойКоличество нейроновАктивационная функцияВходной8ЛинейнаяСкрытый4СигмоидаВыходной1Сигмоида
При этом получаем, что общее число нейронов составляет 12.
Алгоритм обучения - обратное распространение ошибки.
Скорость - 0,08.
Количество эпох - 10 000.
Инициализация весов - стандартное распределение.
Масштабирование данных - линейное.
Глава 3. Экономическая эффективность инвестиций в интеллектуальную информационную систему оценки кредитоспособности клиента
информационная нейронная сеть моделирование
3.1 Общие положения
Оценка экономической эффективности проекта является ключевой при принятии решений о целесообразности инвестирования в него средств. По крайней мере, такое предположение кажется правильным с точки зрения, как здравого смысла, так и с точки зрения общих принципов экономики. Несмотря на это, оценка эффективности вложений в информационные технологии зачастую происходит либо на уровне интуиции, либо вообще не производится. С одной стороны, это вызвано нежеланием поставщиков тратить значительные усилия на проведение подробного предварительного анализа, с другой стороны, вероятно, присутствует значительная доля недоверия потребителей к получаемым результатам таких исследований. Однако, обе эти проблемы проистекают из одного источника, а именно - отсутствия понятных и надежных методик оценки экономической эффективности ИТ проектов.
Экономичность или эффективность (результативность) подразумевает получение больших результатов из доступных ограниченных ресурсов. Показателем эффективности различного рода является отношение результата к затратам:
Е=Р/З,
где Р - результат, тыс. руб.;
З - затраты, обеспечивающие получение результата, тыс. руб.
Показатель эффекта, тыс. руб., отражает разность между резул?/p>