ві створених еталонних класів;
В· формування оцінки ризику кредитів.
Учасниками є кредитний фахівець, який приймає рішення і позичальник.
Позичальник заповнює анкету, складену кредитною організацією, яка представлена ​​низкою питань, необхідних для оцінки його кредиту. Кредитний спеціаліст за допомогою розробленої інтелектуальної інформаційної системи оцінює кредитний ризик, пов'язаний з цим позичальником на основі даних анкети. p align="justify"> Ресурсами для даної інтелектуальної інформаційної системи є база даних ознак минулих виданих кредитів і їх оцінок і ознак досліджуваного кредиту.
2 Взаємодія інженера по знаннях з експертом
При оцінці кредитного ризику кредитні аналітики оперують такими поняттями: характеристики клієнтів (в математичній термінології - змінні, фактори) і ознаки - значення, які приймає змінна. Якщо уявити собі анкету, яку заповнює клієнт, то характеристиками є питання анкети (вік, сімейний стан, професія і т.д.), а ознаками - відповіді на ці питання.
Вихідними для інтелектуального аналізу є вибірка з великої кількості наявної інформації про видані кредити (навчальна вибірка) клієнтів кредитної організації, про які вже відомо, хорошими позичальниками вони себе зарекомендували чи ні.
Таким чином, необхідно вирішити завдання класифікації, де виходячи з наявної інформації, необхідно одержати функцію, найбільш точно розділяє вибірку клієнтів на В«поганихВ» і В«хорошихВ».
Власне методи класифікації досить різноманітні і включають в себе:
статистичні методи, засновані на дискримінантному аналізі (лінійна регресія, логістична
регресія);
різні варіанти лінійного програмування;
дерево класифікації або рекурсіонно-партіціонний алгоритм (РПА);
метод найближчих сусідів;
логіко - імовірнісні;
нейронні мережі або нейрокомпьютинг;
генетичні та еволюційні алгоритми.
Традиційні методи (найбільш поширеними з них є регресійні методи), як правило, чутливі до кореляції між характеристиками, тому в моделі не повинно бути сильно корельованих незалежних змінних.
Метод лінійного програмування не дає можливості провести абсолютно точну класифікацію на поганих і хороших клієнтів. Завдання можна сформулювати як пошук вагових коефіцієнтів, для яких помилка буде мінімальною. p align="justify"> Дерево класифікації і нейронні мережі являють собою системи, які поділяють клієнтів на групи, усередині я...
