ми 101 - 150 залишаємо порожнім 13 стовпець, для того, щоб у ньому після побудови мережі бачити її передбачення по 50 клієнтам (рис. 5).
Малюнок 5
Таким чином, отримуємо навчальну вибірку D - набір спостережень, для яких вказані значення вхідних і вихідних змінних:
, де (рис. 6).
Для аналізу потрібно мати порядку сотень або тисяч спостережень; чим більше в задачі змінних, тим більше потрібно мати спостережень. Наша таблиця даних складається з 150 випадків і 13 змінних: дванадцяти вхідних змінних і однієї вихідної змінної (відповідь банку, результат).
Малюнок 6
На третьому етапі нейросетевого аналізу вироблялося конструювання та навчання НС. Завдання полягало в тому, щоб побудувати нейронну мережу на наявних даних і провести її навчання. Для цього вибираємо на панелі завдань вкладку Statistics / Automated Neural Networks (рис. 7).
Малюнок 7
Задаємо наступні необхідні настройки. У вікні" SANN - Analysis / Deployment» для аналізу даних потрібно задати тип розв'язуваної задачі - класифікація (Classification) (рис. 8).
Малюнок 8
У наступному вікні «SANN - Data selection» натискаємо на вкладку Variables, щоб вказати вхідні і вихідні змінні (мал. 9).
Малюнок 9
У «Select variables for analysis» виділяємо один вихідний параметр
(13-й стовпець) і 12 вхідних параметрів (1-12 стовпці), т.к. всі вхідні параметри є числовими, то виділяємо їх як Continuous inputs (рис. 10).
Малюнок 10
Інші вкладки містять опції для більш ретельного управління процесом, включаючи завдання довірчих рівнів класифікації і вибір типу та складності створюваних мереж з можливістю завдання деяких аспектів пошуку. Наприклад, у вкладці «Sampling» можна вказати поділ у відсотковому співвідношенні навчальної множини на вибірку для навчання і самостійного тестування мережі, за замовчуванням 80% і 20% відповідно (рис. 11).
Малюнок 11
Наступне вікно «SANN - Automated Network Search» залишаємо без змін, в ньому можна вказати кількість мереж, які будуть побудовані, і кількість збережених мереж. За замовчуванням програма будує 20 мереж і залишає 5 найкращих (рис. 12).
Малюнок 12
Далі проводилося навчання нейронної мережі по 100 кредитоотримувача, результат ділових відносин з якими відомий. Для цього після завдання всіх потрібних налаштувань, натискаємо «Train», і програма будує методом перебору оптимальну топологію нейронної мережі і проводить її навчання на нашій вибірці.
Етап навчання закінчений. У результаті було побудовано 10 НС, з них обрана найкраща помилково верифікації. У наступному вікні ми можемо переглянути результати і зберегти нейронну мережу для подальшого тестування або перенавчання. Після збереження мережу можна використовувати для визначення кредитоспроможності нових клієнтів (рис. 14).
Малюнок 14
Четвертий етап складався в діагностиці та перевірці адекв...
