"> .1170 -0.0311
.0316 -0.0094
.0493 -0.0442
.0006 -0.0119
.0277 0.0012
.0947 -0.0283
.0373 -0.0141
.0657 0.0176
.1732 -0.0185
.7645 -0.0348
.0316 0.9906
У процесі вирішення задачі задамо довільні V1 b V2 bвичіслbv енергії зв'язку W1 і W2: =
.5124 -0.2053 -0.1657 -0.5667 -0.5888 =
.0225 1.5830 3.4632 -1.0718 -0.5144
На площині обчислених значень енергії зв'язку формуємо класи.
Результат розв'язання задачі кластеризації представлений на малюнку 6.
В
Рис 6. Результат розв'язання задачі кластеризації
Проведемо інтерпретацію отриманих результатів. З малюнка видно, що кредит 2 і 3, тобто:
В· 1 1 6 4 0 1361 1 2 2 3 1 4 1 40 3 2 1 2 2 1
В· 1 4 18 4 3 1098 1 1 4 2 1 4 3 65 3 2 2 1 1 1
відносяться до класу хороші кредити і заяву на кредит буде схвалено.
Кредити 1, 4 і 5, тобто:
В· 1 1 8 4 0 3398 1 4 1 3 1 4 1 39 3 2 2 2 1 1
В· 1 2 24 2 3 3758 3 1 1 2 1 4 4 23 3 1 1 1 1 1
В· 1 1 11 4 0 3905 1 3 2 3 1 2 1 36 3 1 2 3 2 1
відносяться до класу погані кредити і заяву на кредит буде відхилено.
7.3 Формування оцінки ризику кредиту та інтерпретація результатів
У розробленій інтелектуальній системі оцінки кредитного ризику була реалізована процедура формування індексів оцінки ризиків кредитів.
Програмний лістинг формування індексів оцінки ризиків кредитів представлений нижче:
function res = training (Z, A1, D, l) = [0 2 6 1 0 931 2 2 1 2 1 1 2 32 2 2 1 2 1 1]; = [1 18 квітня 4 3 1098 1 1 4 2 1 4 3 65 3 2 2 1 1 1
2 24 2 3 3758 3 1 1 2 1 4 4 23 3 1 1 1 1 1
1 11 4 0 3905 1 3 2 3 1 2 1 36 3 1 2 3 2 1
1 12 2 3 674 2 4 4 4 1 1 2 20 3 2 1 3 1 1
1 6 4 3 1957 1 4 1 2 1 4 3 31 3 2 1 3 1 1]; = [0 1 20 4 0 2235 1 3 4 4 3 2 2 33 1 1 2 3 1 1
1 12 4 0 2171 1 3 4 3 1 4 2 38 1 2 2 2 1 1
1 10 4 0 2241 1 2 1 3 1 3 1 48 3 1 2 2 2 1
1 8 4 0 3398 1 4 1 3 1 ...
