Составители:
Рубрика:
58
следует провести предобработку данных с целью снижения состав"
ляющих этого вектора. Обученная, например, на два класса, ней"
ронная сеть будет относить нового потенциального клиента банка
к разрядам «хороших» или «плохих» заемщиков. Сотрудникам
банка для принятия такого решения нужно на вход сети предъя"
вить вектор исходных данных, характеризующих финансовое со"
стояние клиента. Сеть, ориентируясь на значение выхода и уста"
новленный порог принятия решения, отнесет нового клиента к
одному из классов.
С помощью этой же сети могут быть определены риски «перепу"
тывания» классов, т. е. решена задача риск"менеджмента при пре"
доставлении кредита банком. Для этого нужно иметь базу данных
(реальных или разыгранных) хороших и плохих клиентов. Доля
неправильно расклассифицированных клиентов даст количествен"
ную оценку риска.
Кластеризация объектов. Такая задача возникает при необходи"
мости разделить объекты на ряд групп (кластеров). При этом менед"
жер не обладает достаточными сведениями об объектах, чтобы сфор"
мировать требуемый выходной вектор. В такой ситуации можно вос"
пользоваться самообучающимися сетями Кохонена. Здесь нейрон"
ная сеть сама, ориентируясь лишь на структуру подаваемых вход"
ных векторов, будет относить очередной, предъявляемый на вход
объект к определенному классу.
Разработчик сети в этом случае должен определить число нейро"
нов во входном и выходном слоях (сеть Кохонена состоит только из
двух слоев), скорость обучения и критерий остановки. Количество
нейронов входного слоя, как и в предыдущих задачах, устанавли"
вается равным размерности вектора признаков объекта. В выход"
ном слое число нейронов определяется количеством классов, на
которые предполагается разделить анализируемую совокупность
объектов. Скорость обучения обычно выбирается из диапазона
0,5–1, а ее уменьшение за время обучения до нуля определяет кри"
терий остановки. Например, при выбранной начальной скорости
обучения, равной 0,5, и шаге изменения скорости, составляющем
0,05, потребуется всего 10 эпох для формирования нейрона – по"
бедителя в выходном слое.
Победивший среди всех нейронов выходного слоя (тот нейрон, у
которого весовой вектор наиболее близок к входному вектору объек"
та) определяет, в сущности, метку класса, к которому принадлежит
предъявленный объект. Затем на вход сети поступает вектор призна"
ков следующего объекта, и сеть определяет его принадлежность: если
Страницы
- « первая
- ‹ предыдущая
- …
- 56
- 57
- 58
- 59
- 60
- …
- следующая ›
- последняя »
