2015-04-30
801
Рассмотрим пример построения системы оценки кредитоспособности физического лица.
Предположим, что эксперты определили основные факторы, определяющие кредитоспособность. Ими оказались: возраст, образование, площадь квартиры, наличие автомобиля и т.д. В организации была накоплена статистика возвратов или невозвратов взятых кредитов. Эта статистика представлена таблицей (файл CreditSample.txt).
Необходимо обучить нейросеть для принятия решения о выдаче кредита физическому лицу.
1) Импортировать данные в проект L7_2.ded из файла CreditSample.txt.
При импорте настроить поля следующим образом (рис. 7.14).
2) В Мастере обработки выбрать Нейросеть.
Задать входные и выходные данные следующим образом (рис. 7.15).
| Рисунок 7.14 – Настройка полей | Рисунок 7.15 – Задание входных и выходных параметров |
Провести нормализацию полей:
– непрерывные (числовые) поля привести в диапазоне [–1, 1];
– поля Наличие недвижимости, Наличие автотранспорта, Наличие банковского счета, Наличие страховки, Пол, Семейное положение – уникальные значения;
|
|
|
– поле Цель ссуды – битовая маска;
– поля Обеспеченность займа и Давать кредит – уникальные значения (поменять местами Ложь и Истина) (рис. 7.16).
Рисунок 7.16 – Настройка нормализации даннных
На этом нормализация закончена.
3) Обучающую выборку разобьем на обучающее и тестовое множества так, как программа предлагает это сделать по умолчанию, т.е. в обучающее множество попадут случайные 95 % записей, а остальные 5 % – в тестовое.
Конфигурация сети будет такой: во входном слое – 17 нейронов, то есть по одному нейрону на один вход.
Сделаем один скрытый слой с двумя нейронами. В выходном слое будет один нейрон, на выходе которого будет решение о выдаче кредита.
Выберем алгоритм обучения сети Resilient Propagation с настройками по умолчанию. Условие окончания обучения оставим без изменения.
4) Обученную таким образом нейросеть можно использовать для принятия решения о выдаче кредита физическому лицу. Это можно сделать, применяя анализ Что-если.
После изменения в этой таблице входных полей система сама принимает решение о выдаче кредита и в поле Давать кредит проставляет либо Истина, либо Ложь.
Кроме такой таблицы анализ Что-если содержит диаграмму, на которой отображается зависимость выходного поля от одного из входных полей при фиксированных значениях остальных полей.
Например, требуется узнать, на какой срок ссуды кредита может рассчитывать человек, обладающий определенными характеристиками. Это можно определить по диаграмме (рис. 7.17).
Рисунок 7.17 – Диаграмма анализа Что-если
Видно, что если срок ссуды увеличится до 36 месяцев, то параметр
|
|
|
Давать ссуду изменится на Истина (рис. 7.18).
Рисунок 7.18 – Диаграмма анализа Что-если
5) В Таблице сопряженности можно увидеть точность классификации на обучающей и тестовой выборке (рис. 7.19).
Рисунок 7.19 – Таблица сопряженности
6) На Графе нейросети можно представить нейронную сеть графически, со всеми нейронами и синоптическими связями (рис. 7.20).
Рисунок 7.20 – Граф нейронной сети
Сохраните проект в файле L7_2.ded.
Вопросы для проверки
1. Какие типы узлов существуют?
2. Что лежит в основе обработчика Нейросеть?
3. Можно ли пропустить этап нормализации значений полей?
4. Какой метод использует алгоритм обучение по эпохам?
5. Как выбрать алгоритм обучения многослойного персептрона?
6. На каком этапе происходит остановка обучения Нейросети?
7. Как проверить качество каждой обученной сети?
8. Какой визуализатор представляет нейронную сеть со всеми нейронами и синоптическими связями?
