Интеллектуальный анализ данных в менеджменте. Кричевский М.Л. - 66 стр.

UptoLike

Составители:

Рубрика:

другому классу; количество наблюдений из этого класса, которые сеть

не смогла классифицировать. Статистики присваивания показыва"

ют, сколько наблюдений из каждого набора было отнесено к каждо"

му из возможных классов, включая правильный (неясные наблюде"

ния не отражены). Из приведенной таблицы следует вывод о высо"

ком качестве обучения и работы нейронной сети.

Полученная нейросетевая модель имеет своей целью классифика"

цию новых фирм, для которых известны значения шести указанных

выше показателей. Работа модели была проверена на тестовом мно"

жестве данных, которые не участвовали в обучении сети, и показала

хороший результат, который свидетельствует о широких возможно"

стях практического применения данного подхода.

Воспользуемся этим же примером для построения прогнозной оцен"

ки с помощью нейронной сети. В качестве прогнозируемых парамет"

ров примем коэффициенты K

, K

, значения которых за период на"

блюдения с 1997–2001 гг. приведены в табл. 1.3.

В качестве обучающего набора данных были взяты первые 18 зна"

чений показателей платежеспособности за период с I квартала 1997

г. по II квартал 2001 года, контрольными данными являются значе"

ния показателей за III и IV кварталы 2001 года.

В ходе исследования были рассмотрены различные модификации

архитектуры многослойных персептронов (параметры Временное

окно – Steps и Горизонт – Lookahead, количество элементов в скры"

тых слоях), варианты настройки обучения (скорость обучения, инер"

ция, количество эпох). В качестве алгоритма обучения сетей приме"

нялся метод ОРО. Для улучшения качества экстраполяции логисти"

Рис. 1.21