48877

Использование нейронных сетей в банковском деле

Курсовая

Информатика, кибернетика и программирование

Искусственные нейронные сети Нейросети в банковском деле Глава Постановка задачи Для решения поставленной задачи будем использовать персептрон основанный на нейронной сети с 14ю входами с 1 выходным и с двумя скрытыми слоями. Нейронные сети и нейрокомпьютеры это одно из направлений компьютерной индустрии в основе которого лежит идея создания искусственных интеллектуальных устройств по образу и подобию человеческого мозга.

Русский

2013-12-16

398 KB

51 чел.

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

«ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

Факультет информатики и экономики

Кафедра инфораматики

КУРСОВАЯ РАБОТА

по дисциплине

«Интеллектуальные информационные системы»

Тема: «Использование нейронных сетей в банковском деле»

                                                   

ИСПОЛНИТЕЛЬ: студент  гр. 1233

А.А. Зверева

НАУЧНЫЙ  РУКОВОДИТЕЛЬ:

Ясницкий Леонид Нахимович

Пермь 2007

Содержание

[1] Содержание

[2]
Глава 1. Нейросетевые технологии

[3] 1.1. Искусственные нейронные сети

[4] 1.2.  Нейросети в банковском деле

[5]
Глава 2. Практическое применение нейронных сетей в банковском деле

[6] 2.1. Постановка задачи

[7] Для  решения поставленной  задачи будем использовать персептрон, основанный на нейронной сети  с 14-ю входами, с 1 выходным и с двумя скрытыми слоями. Число нейронов скрытого слоя рано шести.

[8]
2.2. Анализ полученных результатов

[9]
Заключение

[10] Проведенная работы показывает, что применение нейросетевых технологий поможет уменьшить риск банков, который возникает при выдаче кредита неплатежеспособным клиентам.  

[11] Список использованной литературы


Введение

Искусственный интеллект- это раздел информатики, посвященный моделированию интеллектуальной деятельности человека. Сегодня - это обширная область исследований и разработок интеллектуальных систем, предназначенных для работ в трудно формализуемых областях деятельности человека.  Для задач, решаемых методом искусственного интеллекта, характерно наличие большого числа степеней свободы с числом вариантов поиска решений, приближающимся к бесконечности. В отличие от жестко детерминированных компьютерных программ системы искусственного интеллекта сами ищут пути решения поставленной задачи. При этом они могут менять свои параметры и структуру, совершенствоваться и развиваться, не зависящей от воли разработчика жизнью.1   

Сегодня существуют несколько направлений развития искусственного интеллекта. Это такие направления как разработка интеллектуальных систем, основанных на знаниях,

нейросетевые и нейрокомпьютерные технологии, распознавание образов, игры и творчество, компьютерная лингвистика, интеллектуальные роботы, компьютерные вирусы и интеллектуальное математическое моделирование.

Нейронные сети и нейрокомпьютеры- это одно из направлений компьютерной индустрии, в основе которого лежит идея создания искусственных интеллектуальных устройств по образу и подобию человеческого мозга. Искусственный нейронные сети в значительной мере заимствуют принципы работы головного мозга. Знания в них не отделены от процессора, а равномерно распределены и существуют неявно в виде сил синаптических связей. Такие знания не закладываются изначально, а приобретаются в процессе обучения.

Нейроматематика эффективно применяется для трудноформализуемых и неформализуемых задач. При обучении на вход нейросети один за другим подаются исходные данные и сеть генерирует свои ответы. Полученные ответы сравнивается с известными, а сеть изменяется до тех пор, пока не выдаст правильные ответы на все исходные данные из обучающей выборки.

В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях. Актуальность исследований в этом направлении подтверждается массой различных применений нейронных сетей: автоматизация процессов распознавания образов и адаптивное управление, аппроксимация функционалов и прогнозирование, создание экспертных систем и организация ассоциативной памяти и многое, многое другое. С помощью нейронных сетей можно, например, предсказывать показатели биржевого рынка, распознавать оптические или звуковые сигналы, строить самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту.

Банковская сфера как объект имеет сложное детерминированное квазислучайное поведение, для описания которого нейросети являются идеальным инструментом. Нейросети успешно применяются для решения многих практических задач в банковской сфере: оценки платежеспособности клиентов (на вход нейросети подаются данные о клиенте, на выходе - прогнозируемая степень его платежеспособности), предсказания банкротства, прогнозирования остатков на корреспондентских счетах, оценки риска страхования, предсказания изменения стоимости акций и экономической эффективности финансирования экономических и инновационных проектов и т.п. 

В своей курсовой работе я попытаюсь решить прикладную задачу из области, не поддающейся формализации, такую как принятие решения о выдаче кредита клиенту банка.

 Цель: показать, можно ли использовать нейронные сети и эффективно ли применение нейронных сетей при решении предоставления кредита.

Достижение поставленных целей предопределило постановку и решение следующих задач:

  -  раскрыть сущность искусственного интеллекта;

- обучить один из нейросимуляторов;

-  вывести закон, показывающий результат работы.

Предметом исследования является развитие применения нейросетей в банковском деле.


Глава 1. Нейросетевые технологии

1.1. Искусственные нейронные сети

Людей всегда интересовало их собственное мышление. Это самовопрошение, думание мозга о себе самом является, возможно, отличительной чертой человека. Имеется множество размышлений о природе мышления, простирающихся от духовных до анатомических. Обсуждение этого вопроса, протекавшее в горячих спорах философов и теологов с физиологами и анатомами, принесло мало пользы, так как сам предмет весьма труден для изучения. Те, кто опирался на самоанализ и размышление, пришли к выводам, не отвечающим уровню строгости физических наук. Экспериментаторы же нашли, что мозг труден для наблюдения и ставит в тупик своей организацией.

Нейробиологи и нейроанатомы достигли значительного прогресса. Усердно изучая структуру и функции нервной системы человека, они многое поняли в «электропроводке» мозга, но мало узнали о его функционировании. В процессе накопления ими знаний выяснилось, что мозг имеет ошеломляющую сложность. Сотни миллиардов нейронов, каждый из которых соединен с сотнями или тысячами других, образуют систему, далеко превосходящую наши самые смелые мечты о суперкомпьютерах. Тем не менее мозг постепенно выдает свои секреты в процессе одного из самых напряженных и честолюбивых исследований в истории человечества.

Лучшее понимание функционирования нейрона и картины его связей позволило исследователям создать математические модели для проверки своих теорий. В первых же работах выяснилось, что эти модели не только повторяют функции мозга, но и способны выполнять функции, имеющие свою собственную ценность. Поэтому возникли и остаются в настоящее время две взаимно обогащающие друг-друга цели нейронного моделирования: первая – понять функционирование нервной системы человека на уровне физиологии и психологии и вторая – создать вычислительные системы (искусственные нейронные сети), выполняющие функции, сходные с функциями мозга.

Параллельно с прогрессом в нейроанатомии и нейрофизиологии психологами были созданы модели человеческого обучения. Одной из таких моделей, оказавшейся наиболее плодотворной, была модель Д. Хэбба, который в 1949г. предложил закон обучения, явившийся стартовой точкой для алгоритмов обучения искусственных нейронных сетей. Дополненный сегодня множеством других методов он продемонстрировал ученым того времени, как сеть нейронов может обучаться.

В пятидесятые и шестидесятые годы группа исследователей, объединив эти биологические и физиологические подходы, создала первые искусственные нейронные сети. Выполненные первоначально как электронные сети, они были позднее перенесены в более гибкую среду компьютерного моделирования, сохранившуюся и в настоящее время. Первые успехи вызвали взрыв активности и оптимизма. Минский, Розенблатт, Уидроу и другие разработали сети, состоящие из одного слоя искусственных нейронов. Часто называемые персептронами, они были использованы для такого широкого класса задач, как предсказание погоды, анализ электрокардиограмм и искусственное зрение. В течение некоторого времени казалось, что ключ к интеллекту найден и воспроизведение человеческого мозга является лишь вопросом конструирования достаточно большой сети.2

Но эта иллюзия скоро рассеялась. Сети не могли решать задачи, внешне весьма сходные с теми, которые они успешно решали. С этих необъяснимых неудач начался период интенсивного анализа. Минский, используя точные математические методы, строго доказал ряд теорем, относящихся к функционированию сетей.

Его исследования привели к написанию книги «Персептроны»,  в которой он вместе с Пайпертом доказал, что используемые в то время однослойные сети теоретически неспособны решить многие простые задачи, в том числе реализовать функцию «Исключающее ИЛИ».

Блеск и строгость аргументации Минского, а также его престиж породили огромное доверие к книге – ее выводы были неуязвимы. Разочарованные исследователи оставили поле исследований ради более обещающих областей, а правительства перераспределили свои субсидии, и искусственные нейронные сети были забыты почти на два десятилетия.

Тем не менее несколько наиболее настойчивых ученых, таких как Кохонен, Гроссберг, Андерсон продолжили исследования. Наряду с плохим финансированием и недостаточной оценкой ряд исследователей испытывал затруднения с публикациями. Поэтому исследования, опубликованные в семидесятые и начале восьмидесятых годов, разбросаны в массе различных журналов, некоторые из которых малоизвестны. Постепенно появился теоретический фундамент, на основе которого сегодня конструируются наиболее мощные многослойные сети. Оценка Минского оказалась излишне пессимистичной, многие из поставленных в его книге задач решаются сейчас сетями с помощью стандартных процедур.

За последние несколько лет теория стала применяться в прикладных областях и появились новые корпорации, занимающиеся коммерческим использованием этой технологии. Нарастание научной активности носило взрывной характер. В 1987 г. было проведено четыре крупных совещания по искусственным нейронным сетям и опубликовано свыше 500 научных сообщений – феноменальная скорость роста.

Урок, который можно извлечь из этой истории, выражается законом Кларка, выдвинутым писателем и ученым Артуром Кларком. В нем утверждается, что, если крупный уважаемый ученый говорит, что нечто может быть выполнено, то он (или она) почти всегда прав. Если же ученый говорит, что это не может быть выполнено, то он (или она) почти всегда не прав. История науки является летописью ошибок и частичных истин. То, что сегодня не подвергается сомнениям, завтра отвергается. Некритическое восприятие «фактов» независимо от их источника может парализовать научный поиск. С одной стороны, блестящая научная работа Минского задержала развитие искусственных нейронных сетей. Нет сомнений, однако, в том, что область пострадала вследствие необоснованного оптимизма и отсутствия достаточной теоретической базы. И возможно, что шок, вызванный книгой «Персептроны», обеспечил необходимый для созревания этой научной области период.

После двух десятилетий почти полного забвения интерес к искусственным нейронным сетям быстро вырос за последние несколько лет. Специалисты из многих областей заинтригованы возможностями, предоставляемыми этой технологией, и ищут приложения им внутри своих дисциплин.

Это возрождение интереса было вызвано как теоретическими, так и прикладными достижениями. Неожиданно открылись возможности использования вычислений в сферах, до этого относящихся лишь к области человеческого интеллекта, возможности создания машин, способность которых учиться и запоминать удивительным образом напоминает мыслительные процессы человека, и наполнения новым значительным содержанием критиковавшегося термина «искусственный интеллект».

Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число свойств присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.

Искусственные нейронные сети могут менять свое поведение в зависимости от внешней среды. Этот фактор в большей степени, чем любой другой, ответствен за тот интерес, который они вызывают. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию.

Имеется много впечатляющих демонстраций возможностей искусственных нейронных сетей: сеть научили превращать текст в фонетическое представление, которое затем с помощью уже иных методов превращалось в речь; другая сеть может распознавать рукописные буквы; сконструирована система сжатия изображений, основанная на нейронной сети.

Мы имеем дело с областью, продемонстрировавшей свою работоспособность, имеющей уникальные потенциальные возможности, много ограничений и множество открытых вопросов. Такая ситуация настраивает на умеренный оптимизм. Авторы склонны публиковать свои успехи, но не неудачи, создавая тем самым впечатление, которое может оказаться нереалистичным. Те, кто ищет капитал, чтобы рискнуть и основать новые фирмы, должны представить убедительный проект последующего осуществления и прибыли. Существует, следовательно, опасность, что искусственные нейронные сети начнут продавать раньше, чем придет их время, обещая функциональные возможности, которых пока невозможно достигнуть. Если это произойдет, то область в целом может пострадать от потери кредита доверия и вернется к застойному периоду семидесятых годов. Для улучшения существующих сетей требуется много основательной работы. Должны быть развиты новые технологии, улучшены существующие методы и расширены теоретические основы, прежде чем данная область сможет полностью реализовать свои потенциальные возможности.

Искусственные нейронные сети предложены для задач, простирающихся от управления боем до присмотра за ребенком. Потенциальными приложениями являются те, где человеческий интеллект малоэффективен, а обычные вычисления трудоемки или неадекватны. Этот класс приложений во всяком случае не меньше класса, обслуживаемого обычными вычислениями, и можно предполагать, что искусственные нейронные сети займут свое место наряду с обычными вычислениями в качестве дополнения такого же объема и важности.

Прежде чем искусственные нейронные сети можно будет использовать там, где поставлены на карту человеческая жизнь или ценное имущество, должны быть решены вопросы, относящиеся к их надежности.

Подобно людям, структуру мозга которых они копируют, искусственные нейронные сети сохраняют в определенной мере непредсказуемость. Единственный способ точно знать выход состоит в испытании всех возможных входных сигналов. В большой сети такая полная проверка практически неосуществима и должны использоваться статистические методы для оценки функционирования. В некоторых случаях это недопустимо. Например, что является допустимым уровнем ошибок для сети, управляющей системой космической обороны? Большинство людей скажет, любая ошибка недопустима, так как ведет к огромному числу жертв и разрушений. Это отношение не меняется от того обстоятельства, что человек в подобной ситуации также может допускать ошибки.

Проблема возникает из-за допущения полной безошибочности компьютеров. Так как искусственные нейронные сети иногда будут совершать ошибки даже при правильном функционировании, то, как ощущается многими, это ведет к ненадежности – качеству, которое мы считаем недопустимым для наших машин.

Сходная трудность заключается в неспособности традиционных искусственных нейронных сетей "объяснить", как они решают задачу. Внутреннее представление, получающееся в результате обучения, часто настолько сложно, что его невозможно проанализировать, за исключением самых простых случаев. Это напоминает нашу неспособность объяснить, как мы узнаем человека, несмотря на различие в расстоянии, угле, освещении и на прошедшие годы. Экспертная система может проследить процесс своих рассуждений в обратном порядке, так что человек может проверить ее на разумность. Сообщалось о встраивании этой способности в искусственные нейронные сети, что может существенно повлиять на приемлемость этих систем.

Искусственные нейронные сети являются важным расширением понятия вычисления. Они обещают создание автоматов, выполняющих функции, бывшие ранее исключительной прерогативой человека. Машины могут выполнять скучные, монотонные и опасные задания, и с развитием технологии возникнут совершенно новые приложения.

Теория искусственных нейронных сетей развивается стремительно, но в настоящее время она недостаточна, чтобы быть опорой для наиболее оптимистических проектов. В ретроспективе видно, что теория развивалась быстрее, чем предсказывали пессимисты, но медленнее, чем надеялись оптимисты, – типичная ситуация. Сегодняшний взрыв интереса привлек к нейронным сетям тысячи исследователей. Резонно ожидать быстрого роста нашего понимания искусственных нейронных сетей, ведущего к более совершенным сетевым парадигмам и множеству прикладных возможностей.

1.2.  Нейросети в банковском деле

Невозможность возврата кредитных средств не раз являлись причиной кризисов и банкротств весьма солидных банков. Поэтому вопрос о том, какова степень кредитного риска, каким клиентами опасно выдавать кредиты, а каким нет, для любого банка является одним из самых главных вопросов стабильности его существования.

Одним из клиентов банка является частное лицо и чтобы получить кредит ему надо доказать, что он именно тот клиент, который нужен банку. Для этого нужно будет предоставить, как правило, немалый пакет документов и заполнить анкету банка.

  В каждом банке есть множество разных отделов, которые сообща принимают решение о целесообразности выдачи кредита. Одним из таких отделов является отдел банковской безопасности. Обычно этот отдел исполняет роль первой инстанции.

Специалисты отдела банковской безопасности проверяют достоверность информации, поданной заемщиком. Если обнаруживается несоответствие поданной клиентом и "добытой" банком информации, то заемщику, как правило, сразу отказывают.

В каждом банке существует свой алгоритм проверки потенциального клиента, в основном он сводится к следующим действиям:

  - проверка даты, места и органа регистрации потенциального клиента (проверка паспорта, свидетельства о регистрации предпринимателя);
     - проверка достоверности данных, указанных клиентом в "анкете заемщика", в т.ч. соответствие юридического адреса фактическому местонахождению;
    - проверка паспортных данных, наличие прописки и т.д.;
    - существование неплатежей (в бюджет, контрагентам и т.д.);
    - проверка наличия счетов в других банках и их состояние;
    - изучение деловой репутации клиента (поручителя), отсутствие негативной (компрометирующей) информации;
   - проверка существования задолженности по кредитным соглашениям в других банках (у заемщика, поручителя и близких лиц);
   - наличие возбуждённых против клиента (или поручителя) криминальных дел;
   - проверка существования против клиента или поручителя какой-либо другой негативной информации;
   - отсутствие залога, договора лизинга или аренды на предоставленный объект залога, арест этого объекта;
   - проверка информации о дополнительных источниках дохода: участие в уставных фондах предприятий, существование дочерних предприятий и их деятельности;
   - проверка другой информации.

Если же в процессе проверки предоставленной информации ничего компрометирующего не обнаруживается, то начальник отдела безопасности рекомендует кредитному комитету выдать этому клиенту долгожданный кредит. Окончательное же решение о возможности выдачи кредита обычно принимает руководитель банка, учитывая полученный результаты отделом банковской безопасности, руководствуясь своим опытом и интуицией.

Однако в последнее время руководители многих английских банков стали спрашивать мнение еще и у нейронной сети.3 Советчиком английских банкиров является обычный многослойный персептрон. Персептрон - советчик банкиров обучался на примерах, взятых из собранных с английской тщательностью архивных материалов нескольких банков, в которых был отражен многолетний опыт их кредитной деятельности. По свидетельству банкиров, применивших нейронную сеть, она помогла им выявить ряд потенциальных неплательщиков и скорректировать финансовую политику банков.


Глава 2. Практическое применение нейронных сетей в банковском деле

2.1. Постановка задачи

Нейросетевые технологии применяются при решении таких задач, в которых не существует чёткого алгоритма, точных действий либо формальных правил, позволяющих без каких-либо затруднений получить желаемый результат. Скоринг- это задача, которая не имеет четкого алгоритма. Поэтому рассмотрим применение нейросетевых технологий при принятии решения о выдаче кредита.

У банков на сегодняшний день  нет никаких алгоритмов, позволяющих точно заранее определить неплательщика. Невыплата кредитов угрожает банковской системе, так как влияет на кредитоспособность самих банков, ведь банк дает кредиты в пределах тех активов, которыми располагает. Помимо тех, кто не отдал деньги банкам, есть те, кто эти деньги банку дал, невозвращение кредитов – это риск банка, вопрос о его стабильности.

Кредитование – это сложная карусель, где нужно все время держать четкий баланс. Чтобы его соблюсти, банкам необходимо вести взвешенную кредитную политику, давая кредиты только тем, кто их вернет. Это даст уверенность в том, что получающий кредит гарантированно его возвратит.

Все больше и больше звучит опасений, что стремительно растет задолженность населения. Проблема в том, что банки стремятся кредитовать как можно больше, не удосуживаясь проверять платежеспособность заемщиков. Чтобы предотвратить такую ситуацию, об этом нужно позаботиться прежде всего самим банкам. Банкам нужно тщательнее проверять, способен ли человек отдать кредит.

С этим явлением необходимо бороться самим банкам. Нужно так отстроить систему взаимодействия с клиентами, чтобы стало невозможным давать потребительские кредиты тем клиентам, которые не в состоянии вернуть этот кредит.

Клиенты банка- это частные лица и фирмы. Для того чтобы начать исследование, необходимо несколько сузить круг возможных исходов. Для этого будем рассматривать только один банк- уральский финансовый дом, который выдает кредиты частным лицам.

Итак, банк УРАЛ ФД  выдает кредиты частным лицам. Задача состоит в том, чтобы с помощью нейронных сетей определить является ли клиент этого банка платежеспособным.

Выясним, какие параметры наиболее существенно влияют на принятие решение о выдачи кредита клиенту.

Служащие банка УРАЛ ФД рассматривают такие данные о клиенте как,  пол, возраст, образование, стаж работы, ежемесячный доход. Также  учитывается семейное положение клиента, количество иждивенцев, адрес регистрации клиента. Необходимыми факторами, которые учитывает банк при принятии решения являются: сумма кредита, срок кредита, процентная ставка, стоимость обеспечения.

Также учитывается погашает ли задолженности или уплачивает проценты по кредитам в других банках. Если есть, то учесть уплачиваемую им ежемесячную сумму.

Мы получили достаточное число параметров для решения поставленной задачи.

Так как параметры, описывающие предметную область имеют разнообразный характер, то всю нечисловую информацию мы закодируем в числовом виде, поскольку нейросеть в состоянии обрабатывать только числа.

Рассмотрим параметр «пол». Под 1 будем подразумевать –мужской пол, а под 2- женский.  Параметр «семейное положение»: 1- замужем/ женат, 0-нет. Образование: 1- высшее, 2- второе высшее, 3- среднее, 4- иное.

Ниже приводится список параметров:

X1- пол; 

  1.  мужской;
  2.  женский;

X2 - возраст;

X3 - ежемесячный доход;

X4 - сумма кредита;

X5 - срок кредита;

X6 - процентная ставка;

X7 - стоимость обеспечения;

X8 - семейное положение;

  1.  женат/ замужем;
  2.   нет;

X9 - количество иждивенцев;

X10- совокупный доход семьи;

X11 - образование;

  1.  высшее;
  2.   второе высшее;
  3.  среднее;
  4.  иное;

X12 - стаж на последнем месте работы;

X13 - общий стаж работы;

X14 - ежемесячная сумма уплаты процентов по кредитам в других банках.

На выходе будем формировать результирующий вектор со следующими компонентами:

  1.  Y1 – выдача кредита;
  2.  Y2 – отказ;

Ниже приведены данные обучающей и тестируемой выборки, которые не входили в процесс обучения, и на основе которых  мы можем понять, насколько точно обучилась сеть.


Обучающая выборка

2

30

1000000

20

17

2000000

1

3

1

0,5

10

19000,6

30000,7

8000

1

2

45

500000

5

15

300000

1

1

1

20

24

15000

29000,7

0

1

1

56

350000

5

15

1600000

1

0

1

35

35

7000,8

14000,2

0

0

1

25

2000000

20

19

2600000

1

1

1

22

2

20000

34000,9

0

1

1

47

550000

5

15

1200000

1

4

2

24

24

12000,1

18000,3

0

0

2

31

300000

5

15

2300000

0

0

1

18

19

15000,1

15000,1

5000

1

2

21

250000

8

16

1950000

0

0

3

1

2

5000,7

5000,7

0

0

1

46

500000

5

15

2100000

1

1

1

14

26

16000,8

27000,9

6200

1

1

49

200000

5

15

1780000

1

2

3

18

18

5700

8960

0

0

2

35

400000

7

15,5

500000

0

1

1

12

12

7940

7940

0

0

1

47

1500000

10

16,5

2300000

1

3

1

26

26

11200

29000

0

0

2

25

340000

5

15

1700000

0

0

1

3

3

8900

8900

0

0

2

25

350000

5

15

1580000

0

0

1

4

4

11200

11200

0

1

1

31

500000

5

15

2000000

1

0

3

7

23

12800

19200

20000

1

1

25

300000

8

16

100000

0

0

3

5

8

5600

7200

0

0

2

32

540000

5

15

1200000

1

1

1

5

5

7200

16800

0

0

2

20

500000

5

15

120000

0

0

4

2

2

3700

3700

0

1

1

40

2360000

20

17

1700000

1

3

1

19

19

30100

42300

0

1

1

52

50000

5

15

1500000

1

0

2

21

21

7500

11700

0

0

2

45

270000

7

15,5

2100000

1

2

1

17

23

11100

29800

8000

1

1

32

1000000

10

16,5

300000

0

0

1

10

10

17200

17200

0

0

1

27

470000

9

16

1000000

0

0

3

7

9

11950

11950

0

1

2

43

210000

5

15

2100000

1

0

2

11

11

15600

32100

5000

1

2

39

300000

5

15

1820000

1

1

1

11

19

7800

19100

0

1

1

32

500000

8

16

420000

0

0

3

2

10

5200

5200

0

0

1

42

1200000

20

17

160000

1

2

1

13

22

8000

17200

0

0

2

21

250000

9

16

1002000

0

0

4

2

2

4500

4500

0

0

1

24

370000

5

15

780000

0

0

1

2

12

17000

17000

5000

1

2

32

120000

5

15

1350000

0

0

3

5

9

9200

9200

2000

1

Тестируемая выборка

1

42

135000

3

15

1200000

1

1

2

3

21

15800

30100

0

1

2

24

400000

8

16

750000

0

0

1

1

1

7500

7500

0

0

1

53

240000

5

15

2300000

1

0

1

23

34

17600

34500

2000

1

2

32

500000

6

15,5

1500000

1

1

3

14

14

18300

30500

5000

1

2

52

230000

5

15

1900000

0

0

2

1

31

9000

9000

0

0

1

24

700000

10

16,5

1500000

0

0

1

3

3

17800

17800

0

1

1

25

450000

7

15,5

800000

0

0

3

7

7

11100

11100

0

0

2

21

200000

5

15

1000000

0

0

1

1

1

8900

8900

0

1

2

47

100000

3

15

2300000

1

0

2

25

25

15300

32700

0

1

1

50

150000

5

15

1300000

1

1

1

3

27

11700

21000

0

1


Для  решения поставленной  задачи будем использовать персептрон, основанный на нейронной сети  с 14-ю входами, с 1 выходным и с двумя скрытыми слоями. Число нейронов скрытого слоя рано шести.

При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было.4 Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой, а вычисленная на тестовой выборке- погрешностью обобщения, обозначаемой T  . При увеличении числа нейронов внутренних слоев персептрона N погрешность обучения   обычно падает, тогда как погрешность обобщения   сначала падает, а затем, начиная с некоторого оптимального значения N=N0, возрастает.

 


2.2. Анализ полученных результатов

Анализируя работу персептрона и полученные результаты можно сделать вывод, что персептрон выдал модельные значения близкие к практическим. Для того, чтобы наглядно продемонстрировать это утверждение, на гистограмме 1  покажем соотношение между теоретическими и модельными значениями.

Гистограмма 1


Несмотря на то, что модельные значения не полностью совпадают с практическими, можно утверждать, что тренд изменения искомых величин отражен точно. Для окончательного подтверждения работоспособности моделей на вход сетей были поданы значения из тестируемой выборки.

Как видно ошибка предсказания выше ошибки обучения, но полученная точность все равно выше точности, которую можно получить используя обычный корреляционно-регрессионный анализ.


На принятие решения о выдаче кредита влияют некоторые параметры, например возраст клиента.  Можно вывести закон зависимости принятия положительного решения о выдаче кредита и возраста клиента.

Как видно из монограммы, чем старше клиент банка, те труднее ему получить кредит, независимо от пола.


Заключение 

Подведём итог проделанной работы.

В первой части были обобщила знания в области нейросетевых технологий.

В практической части работы я  применяла  нейронную сеть, с помощью которой доказала возможность использования нейронные сети при решении предоставления кредита. Я убедилась, что персептрон смог решить поставленную перед ним задачу. Подав на вход персептрона сигналы, которых не было в обучающей выборке, на выходе мы получили адекватные результаты, то есть соответствующие действительности. Другими словами, применение нейросетевых технологий в выбранной области можно считать эффективным.

Проведенная работы показывает, что применение нейросетевых технологий поможет уменьшить риск банков, который возникает при выдаче кредита неплатежеспособным клиентам.  

Список использованной литературы

 

Литература

  1.  Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений, М.: Издательский центр «Академия», 2005.-176 с.
  2.  Ф. Уоссермен. Нейрокомпьютерная техника: Теория и практика. Перевод на русский язык, Ю. А. Зуев, В. А. Точенов, 1992.
  3.  Хайкин С. Нейронные сети. Издательство «Вильямс», 2005.-1104 с.

Ссылки на ресурсы Интернет

  1.  http://www.artint.ru/- Российский НИИ Искусственного интеллекта;
  2.  http://www.raai.org/- Российская ассоциация искусственного интеллекта;
  3.  http://neural.narod.ru/- Искусственный разум;
  4.  http://lii.newmail.ru/- Лаборатория искусственного интеллекта;
  5.   http://www.gotai.net/documents-neural_networks.aspx/ -GotAl.Net- Материалы- Нейронные сети;
  6.  http://offline.computerra.ru/2002/445/18040/-  Нейросимуляция – Журнал «Компьютера».

1

 

А также другие работы, которые могут Вас заинтересовать

73759. Основные направления трансформации системы регулирования социально-трудовых отношений в современных условиях 82.5 KB
  Имеется ввиду расширение социального диалога за рамки собственно социальнотрудовых отношений. Однако численность профсоюзов далеко не единственный показатель их силы и возможностей участия в регулировании социальнотрудовых отношений. За предыдущие годы профсоюзам удалось стать реальным институтом рынка труда и использовать для участия в регулировании социальнотрудовых отношений самые различные институты и механизмы: благодаря наличию механизмов распространения условий коллективных договоров и соглашений заключаемых профсоюзами с...
73760. Загальні засади організації бухгалтерської служби 122 KB
  Функції облікових працівників; види розподілу праці між обліковими працівниками у межах бухгалтерської служби; кваліфікаційні та етичні вимоги які висуваються до бухгалтерів на сучасному етапі.
73761. Основные черты социального партнерства в Российской Федерации 45.5 KB
  Для пореформенной России характерна также сегментированность социальнотрудовых отношений и неоднородность качества трудовой жизни по отраслям и секторам экономики чему способствовало нарастание отраслевых диспропорций в оплате труда. Сформированные в стране механизмы регулирования социальнотрудовых отношений как законодательные так и коллективнодоговорные недостаточно эффективны. В целом регулирование социальнотрудовых отношений развивается в рамках советской парадигмы экономического развития которую принято называть экстенсивной...
73762. Социально-педагогическое сопровождение детей, оказавшихся в трудной жизненной ситуации (на примере лечебно-реабилитационного научного центра детской гематологии, онкологии, иммунологии) 523 KB
  Несмотря на то, что в настоящее время на решение проблемы сопровождения детей в трудной жизненной ситуации направлены усилия многих специалистов, использующих широкий комплекс методов - медицинских, социально-педагогических и психологических, они часто оказываются недостаточно эффективными.
73763. Організація роботи бухгалтерської служби 106.5 KB
  Регламентація діяльності облікових працівників. Після вивчення теми 5 студент повинен вміти: розробити Положення про бухгалтерську службу та посадові інструкції для облікових працівників; спланувати роботу бухгалтера; охарактеризувати вимоги до обладнання робочого місця бухгалтера; скласти акт прийманняпередачі справ при зміні бухгалтера. Регламентація діяльності облікових працівників У ході виконання своїх обов’язків між бухгалтерами та іншими працівниками підприємства виникають взаємовідносини з різних питань що дозволяє виділити такі...
73764. Організація діловодства, документування операцій та документообігу 144.5 KB
  Однією з умов успішної діяльності підприємства є якість управління ним, яке залежить від рівня інформаційного забезпечення керівництва. процес прийняття управлінського рішення передбачає отримання даних, їх аналіз, узагальнення та підготовку в розрізах і форматі, необхідних для управлінського персоналу.
73766. Текст як форма реалізації мовнопрофесійної діяльності. Стилі сучасної української літературної мови у професійному спілкуванні 85.5 KB
  Функціональні стилі української мови та сфера їх застосування Стиль – 1 суспільно необхідний історично сформований різновид літературної мови її функціональна підсистема що обслуговує певну сферу суспільної діяльності мовців і відповідно до цього має свої особливості добору й використання мовних одиниць. Кожний стиль має свою сферу використання призначення ознаки і мовні засоби; 2 сукупність прийомів використання мовних засобів що є характерною для творчості окремого письменника діяча культури мовця індивідуальний стиль; 3...
73767. Східня Україна і козачина на порозі XVII ст. Соціальне значіннє козацтва 357.5 KB
  До сього треба додати ще як постулят також на перший погляд елєментарний і скромний але в практичнім переведенню дуже мало удобоносний се право воєнних контінґентів козацьких взаміну за їx службу державі й охорону полудневих границь на приставстваrdquo; кватири і виживленнє в коронних маєтностях. що йно тільки сам замок збудовано люстрація виказує 36 сїл або хуторівrdquo; що належать до староства Білоцерківського 9 таких же осад на міських ґрунтах десяток сїл в шляхетських державах крім того в Романівськім ключу 5 сїл цїлий...