Нейро-нечіткі технології моделювання в економіці

Permanent URI for this community

https://ir.kneu.edu.ua/handle/2010/2089

Browse

Browsing Нейро-нечіткі технології моделювання в економіці by Subject "19.86:336.77"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Застосування багатошарових персептронів для класифікації позичальників-юридичних осіб
    (ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2019) Григорович, Ольга В.; Hryhorovych, Olha
    Статтю присвячено пошуку оптимальної архітектури нейронної мережі типу багатошаровий персептрон для мінімізації похибкипершого роду при вирішенні задачі класифікації позичальників-юридичних осіб за рівнем кредитоспроможності. Проведено експериментальні дослідження із більше ніж 3000 моделями персептронного типу в інструментальному пакеті STATISTICA Neural Networks. Зроблено висновки і рекомендації щодо поділу генеральної сукупності спостережень на навчальну, тестову та контрольну вибірки з метою підвищення ефективності діагностування позичальників, котрим загрожує дефолт. Виявлено, що оптимальна кількість пояснювальних змінних для адекватної оцінки кредитоспроможності юридичних осіб має бути більшою 10. За таких умовсередня точність передбачення дефолтів позичальників становить 80,23% (відповідно, помилка першого роду є меншою за 20%). Для найбільш адекватних моделей, відібраних у ході дослідження, похибка першогороду становить 10,69%–13,69%. Отримані експериментальні розрахунки підтверджують можливість і доцільність практичного застосування нейронних мереж персептронного типу при оцінці кредитоспроможності позичальників-юридичних осіб. The article is devoted to the search for the optimal architecture of a neural network such as a multilayer perceptron in order toreduce the type I error in solving the problem of classifying borrowers-legal entities by credit level. Experimental studies have been conducted with more than3000 multilayer perceptron models in the STATISTICA Neural Networks toolbox. Conclusions and recommen-dations have been made regarding the dividing dataset into training, test and validation samples to improve prediction of the borrower’s default. It was revealed that the optimal number of explanatory variables for an adequate assessment of the creditworthiness of legal entities should exceed 10. Under such conditions, the average accuracy of prediction of defaults of borrowers is 80.23% (respectively, thetype I error is less than 20%). For the most adequate models selected during the study, the type I error is 10.69%–13.69%. The obtained experimental calculations confirm the possibility and expediency of the practical application of perceptron-type neural networks in assessing the creditworthiness of borrowers-legal entities. Статья посвящена поиску оптимальной архитектуры нейронной сети типа многослойный персептрон с целью минимизации ошибки первого рода при решении задачи классификации заемщиков-юридических лиц по уровню кредитоспособности. Проведены экспериментальные исследования с более чем 3000 моделями персептронного типа в инструментальном пакете STATISTICA Neural Networks. Сделаны выводы и рекомендации по разделению генеральной совокупности наблюдений на учебную, тестовую и контрольную выборки с целью повышения эффективности диагностирования заемщиков, которым грозит дефолт. Выявлено, что оптимальное количество объясняющих переменных для адекватной оценки кредитоспособности юридических лиц должно превышать 10. При таких условиях средняя точность предсказания дефолтов заемщиков составляет 80,23% (соответственно, ошибка первого рода меньше20%). Для наиболее адекватных моделей, отобранных в ходе исследования, ошибка первого рода составляет 10,69%–13,69%. Полученные экспериментальные расчеты подтверждают возможность и целесообразность практического применения нейронных сетей персептронного типа при оценке кредитоспособности заемщиков-юридических лиц.