Применение нейронных сетей в решении задачи классификации заемщиков

Каждое кредитное финансовое учреждение заинтересовано в том, чтобы кредитные средства были возвращены. Неплатеж по кредиту ведет к огромным убыткам для банка и является частой причиной банкротства. Единый и универсальный алгоритм оценки кредитоспособности заемщика отсутствует, каждое банковское учреждение разрабатывает собственную систему. Применяемые кредитными организациями методы различны, но все они содержат:

• •    общую характеристику заемщика;

• •    оценку кредитной истории заемщика;

• •    оценку имущества заемщика;

• •    оценку финансового положения заемщика.

При анализе данных заемщика воспользуемся информационным подходом к анализу данных. Наиболее распространенными методологиями при информационном подходе является методология извлечения знаний KDD (Knowledge Discovery in Database), основанная на методах Data Mining. Термин Data Mining дословно переводится как «добыча данных» и означает обнаружение в сырых данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности [2]. Тогда задачу оценки платежеспособности заемщиков банка можно свести к задаче классификации. В настоящее время существует большое число методов и алгоритмов решения задач классификации. Один из подходов – использование метода машинного обучения, как нейронные сети.

Нейронные сети представляют собой модели, которые имитируют работу головного мозга. Нейронная сеть состоит из элементов – нейронов и связей между ними. Каждый искусственный нейрон содержит входные и выходные связи. Каждая входная связь обладает весом, на который умножается сигнал, подаваемый на этот вход с выхода другого нейрона. При этом каждый нейрон осуществляет взвешенное суммирование своих входов. Все нейроны внутри сети объединяются в слои. Любая нейронная сеть содержит один входной слой, один выходной слой, а также один или несколько скрытых слоев. В скрытых слоях осуществляется основная обработка данных. Пример нейронной сети с одним скрытым слоем представлен на рисунке 1.

Пример нейронной сети с одним скрытым слоем представлен на рисунке 1.

Рис.1. Пример нейронной сети

В процессе функционирования нейронной сети входные значения x i умножаются на веса связей w i . Результаты умножения суммируются в нейроне. В каждом нейроне выполняется простое преобразование с помощью активационной функции f(S). В результате преобразования значений входного вектора всеми нейронами сети на ее выходе формируется вектор результата (выходной вектор) Y =(y 1 , y 2 ).

Наиболее часто используемой архитектурой для решения типовых задач является многослойный персептрон с сигмоидной активационной функцией. Многослойный персептрон – это архитектура нейронной сети, которая подразумевает наличие хотя бы одного скрытого слоя.

При решении любой задачи очень важно определить оптимальное число нейронов в сети [1]. Число входных и выходных нейронов должны быть равны числу входных и выходных переменных. В нашем случае число входных переменных будет равно четырем (общая экономическая характеристика, оценка кредитной истории, оценка имущества и оценка финансового положения), а число выходных – одному (категория платежеспособности заемщика). Кроме этого, необходимо определить число скрытых слоев и число нейронов в каждом из них. Для этого действует следующая рекомендация: число нейронов в скрытых слоях и число скрытых слоев выбираются таким образом, чтобы количество образованных ими связей было меньше числа обучающих примеров как минимум в два - три раза [2]. Допустим, наше обучающее множество содержит 100 примеров. Если количество связей в сети должно быть примерно в 3 раза меньше, то количество связей C=100/3≈33. Тогда можно

4 * t + 1 * t = 33

составить уравнение: '

где, 4 – это количество нейронов во входном слое, 1 – количество нейронов в выходном слое, t – число нейронов в скрытом слое. Использовав уравнение, получим, что число нейронов в скрытом слое составляет 7 (рис.2).

Рис.2. Архитектура нейронной сети классификации заемщиков по категориям

Процесс обучения нейронной сети заключается в настраивании весовых коэффициентов межнейронных связей w i , которое выполняется с использованием обучающей выборки [1]. В заключение можно сказать о том, что использование нейронных сетей в решении задач классификации может быть альтернативным или дополнительным методом наряду с использованием таких методов машинного обучения как деревья решений или регрессия. Нейронные сети привлекательны тем, что могут моделировать практически любые, в том числе нелинейные, зависимости.