МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ ХАРЬКОВСКИЙ НАЦИОНАЛЬНЫЙ ЭКОНОМИЧЕСКИЙ УНИВЕРСИТЕТ
Кафедра экономической кибернетики
ОТЧЕТ ПО ЛАБОРАТОРНОЙ РАБОТЕ № 5
На тему «Модели классификации на основе использования нейронных сетей»
Выполнила: Студентка ф-та МЭО
5 к. 8 гр.
Лисицына И. И.
Проверил: к.т.н., доц. Милов А. В.
ХАРЬКОВ — 2010
Цель работы: построить модель классификации банков России и, используя модуль Statistica Neural Networks ППП Statistica, провести распознавание для выборочных данных.
Внесем зависимые и независимые переменные модели. В нашем случае зависимой переменной является переменная BAD (переменная, характеризующая устойчивость банка. 1-, если банк лопнул, 0 - банк устойчивый). Все остальные – независимые.
Далее определяем обучающий, тестирующий и верифицирующий набор.
После этого в тестовой выборке проверяем построенную сеть или сети, (если несколько). Если сеть прошла проверку, ее можно использовать для последующего анализа данных, делать прогноз и проводить классификацию.
Мастер решения задач делит всю выборку на три части: тестовую (красный цвет), контрольную или верифицирующую (синий), обучающую (чёрный цвет).
Из рисунка выше заметно, что значения кое-где стали серого цвета. Это значит, что в группу значимых эти переменные не вошли.
Результаты построения модели представлены на рис. 1. Оценка качества классификации (0,9444) показывает, что коэффициент корреляции стремится к единице, что говорит о том, что качество модели высокое.
Рис 1. Окно сообщений
Получили следующую нейронную сеть (рис. 2)
Рис 2. Архитектура сети
Исходя полученной архитектуры сети можно сказать, что количество входов совпадает с количеством значимых переменных, т.е. оно равно 15.
Эти переменные следующие:
AGE (возраст банка в годах);
ARREAR (средства на карточных счетах);
ASSETS (чистые активы банка);
BANK (привлеченные средства других банков);
CARITAL (капитал);
CURRENCY (валютные резервы);
EQUITY (средства, влож. в недвижимость);
GOVLIAB (об-ва перед государством);
LIQUID (ликвидные активы);
OVERNIGH (об-ва до востребования);
PERF (рисковые активы);
PROTECT (защита капитала);
RETAIL (средства частных лиц);
TOTLIAB (суммарные об-ва);
USTAV (уставной капитал).
Примечательно, что в ходе построения модели были исключены как незначимые такие переменные, как PROFIT (прибыль/убыток), CITY (город), и расчетные переменные PROT_CAP, EQ_PERF, OV_LIQ).
На данном рисунке представлены результаты расчетов в ходе построения сети.
В столбце Type указывается тип сетей: Linean – линейный, MLP – многослойный персептрон.
Столбец Error показывает ошибку сети, которая рассчитывается для всех контрольных наблюдений. Чем меньше показатель ошибки, тем надежнее качество сети.
Столбец Inputs отображает число входящих сменных, используемых нейронной сетью.
Hidden указывает число скрытых элементов сети.
Performance указывается качество сети, которое определяется по контрольному произведению.
Для нашей задачи классификации качество – это доля правильно классифицированных наблюдений.
Далее, открываем окно RunOne-offCase, где рассмотрим возможности работы со структурой.
В данном окне отображаются 2 таблицы.
В ячейки первой вводим различные значения коэффициентов банка. При этом, в другой таблице при нажатии кнопки Run появится результат. Его значение приближено к номеру класса банка.
В нашем случае мы получили значение 0,1965409. Оно близко к 0. Следовательно, банк с прогнозируемыми значениями относится к классу 0, т.е. является устойчивым.
Ниже представлены общие данные проведенного анализа.
Другие работы по теме:
Нейронные сети
Базовые понятия искусственного нейрона: структура, активационные функции, классификация. Изучение преимуществ нейронных сетей, позволяющих эффективно строить нелинейные зависимости, более точно описывающие наборы данных, чем линейные методы статистики.
Создание городских распределенных цифровых радиосетей
mpHUB является интеллектуальным коммуникационным узлом, используемым в системе waveNET фирмы Multipoint Netorks для создания городских распределенных цифровых радиосетей. ПРОГРАММА waveNET 2500/mpXNET на базе коммуникационных узлов mpHUB и mpXNET.
: Измерения в телекоммуникациях
Соответственно повысилась и роль измерительной техники на сетях связи. Измерительные технологии в сетях современных телекоммуникаций должны сыграть конструктивную роль, т. е помочь в настройке и оптимизации сетей связи, поиске неисправностей, для разрешения конфликтных ситуаций
Модели нейронных сетей
Основы технологии конструирования нейронных сетей. Типы нейронных сетей, процесс обучения. Основные области применения нейронных сетей.
Нейронные сети
Изучение человеческого мозга. История изучения и создания нейронных сетей. Биологический и искусственный нейрон. Выбор структуры нейросети. Грамотное обучение искусственных нейронных сетей и их применение, программные модели искусственных нейросетей.
Розенблатт, Фрэнк
Фрэнк Розенблатт (англ. Frank Rosenblatt; 11 июля 1928 – 1971) — известный американский учёный в области психологии, нейрофизиологии и искусственного интеллекта. Родился в Нью-Йорке, закончил Принстонский университет. В 1958-1960 годах в Корнелльском университете создал вычислительную систему «Марк-1» (на фотографии рядом с ним).
Ященко, Виталий Александрович
План Введение 1 Биография 2 Область научной деятельности 3 Международное признание 4 Основные труды Список литературы Введение Витблий Алексбндрович Я́щенко (род. 2 октября 1941, Пятигорск, Ставропольский край) — учёный-кибернетик, создатель нового класса нейронных сетей — нейроподобные растущие сети (1993), старший научный сотрудник ИПММС НАН Украины (1995), ученый секретарь секции Математические машины и системы научного семинара по проблеме Кибернетика НАН Украины (1994), член Ассоциации создателей и пользователей интеллектуальных систем (Киев, Украина) (1995), зам. главного редактора международного журнала «Математические машины и системы» (1996), доцент кафедры ММЭД Факультета кибернетики Национального университета им.
Обзор и анализ нейросетей
Разработка систем автоматического управления. Свойства нейронных сетей. Сравнительные оценки традиционных ЭВМ и нейрокомпьютеров. Формальная модель искусственного нейрона. Обучение нейроконтроллера при помощи алгоритма обратного распространения ошибки.
Нейронные сети с радиальными базисными функциями
Преимущества и недостатки нейронных сетей с радиальными базисными функциями (РБФ). Функции newrbe и newrb для построения РБФ общего вида и автоматической настройки весов и смещений. Пример построения нейронной сети с РБФ в математической среде Matlab.
Нейронные сети
Базовые архитектуры компьютеров: последовательная обработка символов по заданной программе и параллельное распознавание образов по обучающим примерам. Искусственные нейронные сети. Прототип для создания нейрона. Поведение искусственной нейронной сети.
Кластеризация с помощью нейронных сетей
Сущность, структура, алгоритм функционирования самообучающихся карт. Начальная инициализация и обучение карты. Сущность и задачи кластеризации. Создание нейронной сети со слоем Кохонена при помощи встроенной в среды Matlab. Отличия сети Кохонена от SOM.
Структура нейронных сетей
Искусственный нейрон. Нейронные сети обратного распространения. Представление входных данных. Преобразование числовых входных данных.
Нейронные сети
Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией.
Информатика
Персональные компьютеры вошли в жизнь так же незаметно и постепенно, как в свое время автомобиль, радио и телевидение. Основные характеристики и модели настольных персональных компьютеров. История развития вычислительных систем с массовым параллелизмом.
Модели IP протокола Internet protocol с учётом защиты информации
Модели протокола ( Internet protocol ) с учётом защиты информации Саидахмедов Ш.Х. Получены модели IP- протокола в шести формах математического представления на основе блок-схемы алгоритма функционирования IP-протокола и аппарата сетей Петри (СП). Назначение каждой модели - в отражении совершенно определенных аспектов моделируемого протокола.
Нейронные сети 4
Орловская региональная академия государственной службы Факультет государственного и муниципального управления Кафедра информатики и информационных технологий в менеджменте
Представление знаний в информационных системах
Содержание 1. Анализ исходных данных и разработка ТЗ 1.1 Основание и назначение разработки 1.2 Классификация решаемой задачи 1.3 Предварительный выбор класса НС 1.4 Предварительный выбор структуры НС 1.5 Выбор пакета НС 1.6 Минимальные требования к информационной и программной совместимости 1.7 Минимальные требования к составу и параметрам технических средств 2.
Введение в проблему искусственного интеллекта
Введение в проблем у искусственного интеллекта Понятие систем ИИ, их классификация области применения и перспективы развития. ИИ - это научно-исследовательское направление создающие модели и соответствующие программные средства, позволяющие с помощью ЭВМ решать задачи творческого, не вычислительного характера, которые в процессе решения требуют обращения к семантике (проблеме смысла).
Классификация ноутбуков
Существует 2 основные системы классификации ноутбуков, которые дополняют друг друга Классификация на основе размера диагонали дисплея: 17 дюймов и более— «замена настольного ПК» (Desktop Replacement)
Экспертные системы 8
Экспертные системы (ЭС) представляются собой компьютерные программы, использующие принципы искусственного интеллекта и формализованные знания эксперта для обработки оперативной информации и принятия обоснованных решений в анализируемой предметной области.
Нейронные сети 3
Биологический прототип Развитие искусственных нейронных сетей вдохновляется биологией. То есть, рассматривая сетевые конфигурации и алгоритмы, исследователи применяют термины, заимствованные из принципов организации мозговой деятельности. Но на этом аналогия заканчивается. Наши знания о работе мозга столь ограничены, что мало бы нашлось точно доказанных закономерностей для тех, кто пожелал бы руководствоваться ими.
Сейсмическая инверсия
Сущность волнового и геологического представления геологического разреза. Особенности использования нейронных сетей для прогноза русловых песчаников. Понятие картирования сейсмофаций. Анализ импеданса и пористости с учетом глин в покрышке и в подошве.
Чемберс Джон
Чемберс (Chambers) Джон, американский предприниматель, президент и главный исполнительный директор компьютерной компании Cisco Systems, ведущего производителя оборудования для построения инфраструктуры глобальных сетей (Интернет).