атності НС. Після збереження отриманої мережі ми можемо перевірити ефективність її роботи на тестових даних. Відкриваємо вкладку" Predictions», в ній можна бачити пророкування по 50 останніх випадків, яке робить кожна побудована мережа (рис.? 15).
Малюнок 15
Вибираємо мережу MLP 12? 5? 3, архітектура якої носить назву багатошаровий персептрон. Порівняємо наявний результат, наданий банком (тестове безліч), з отриманим пророкуванням. Бачимо, що збіг відбувається в 87% випадків, тому можна зробити висновок, що отриману мережу можна використовувати для визначення кредитоспроможності клієнтів. Архітектура (число шарів і число нейронів у кожному шарі) навченої формальної нейронної мережі представлена ??на рис. 16.
Малюнок 16
Аналіз чутливості показав ступінь впливу кожного фактора анкети на результат: чим менше ранг, відповідний змінної, тим більше вплив її на вихідний параметр (рис. 17).
Малюнок 17
Для збереження мережі потрібно натиснути на вкладку «Save networks> C / C + + language». Мережа була збережена на мові програмування С + +, що дає можливість використовувати її автономно. Код програми представлений в додатку 1. Для запуску мережі використовувався компілятор
«Dev-C + + 4.9.9.2». Вводимо можливі значення анкетних даних (рис. 18), бачимо пророкування мережі (рис. 19).
Малюнок 18
Малюнок 19
В результаті проведеного експерименту на наявній вибірці НС побудована з точністю 87%, що є задовільним показником її роботи (мінімальна кількість правильних передбачень має бути на рівні не нижче 80%). Це дозволяє зробити висновок про доцільність використання даного програмного продукту банками для автоматизованої оцінки кредитоспроможності потенційних клієнтів. Для реальної пропозиції кредитним організаціям потрібно поповнення клієнтської бази, донавчання НС для серйозного функціонування.
ВИСНОВОК
Якісно і кількісно розроблена оцінка кредитоспроможності клієнтів необхідна банку для подальшого вдосконалення своєї кредитної діяльності. Від правильної оцінки часто залежить життєздатність банку. Неправильна оцінка може привести до неповернення кредиту, що в свою чергу здатне порушити ліквідність банку і в кінцевому рахунку призвести до банкрутства кредитної організації. Тому банки надають величезного значення розробці сучасної методологічної бази оцінки кредитоспроможності.
Аналіз практичної діяльності російських банків привів до виділення трьох основних моделей оцінки кредитоспроможності: скоринг, внутрішньобанківська оцінка та андеррайтинг. Кожна із зазначених моделей детально описана, має як переваги, так і негативні сторони, зазначені в роботі.
Було виявлено зв'язок нейротехнологій з визначенням кредитоспроможності фізичних осіб, проведено побудова нейронної мережі, яку можна використовувати для класифікації клієнтів. Порівняння отриманих результатів проведеного нейросетевого аналізу та рейтингової оцінки, дозволяє зробити висновок про можливість її подальшого використання для комплексної оцінки кредитопозичальника.
Таким чином, в процесі написання дипломної роботи була виконана поставлена ??мета ...
