ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ

Эксперимент, где в качестве критерия было взято мнение группы экспертов в области кредитного дела, показал, что нейронные сети являются многообещающим средством для классификации наперед (прогнозирования). Это особенно важно для государств, где права кредиторов при банкротстве постоянно изменяются и где выживание фирмы сильно зависит от возможности получения кредитов. На практике задача построения нужной базы данных, состоящей, в основном, из качественных переменных, может оказаться непростой, однако при недостатке надежных количественных данных кредитные менеджеры так или иначе вынуждены оценивать кредитную привлекательность фирм, основываясь при этом на той, пусть неполной, информации, которой они располагают.

Разрабатывая нейронно-сетевой классификатор, мы пытались построить метод, позволяющий извлекать знания экспертов из сделанных ими оценок. Выяснилось, что ключевое значение имеют 7 переменных, среди которых есть и качественные, и количественные.

Было замечено, что результаты очень чувствительны к выбору начального приближения и потому могут не быть оптимальными. Для удобства мы брали все время одинаковое число эпох и одно и то же начальное приближение для весов. Значимые переменные были выделены но результатам исследования зависимостей по отдельным переменным, хотя более правильным в данном случае представлялся бы многомерный подход.

Мы не пытались применять в этой задаче нелинейный (например, квадратичный) MDA-анализ — вероятно, это была бы более подходящая точка отсчета для оценки качества нейронного классификатора. Разница между линейной и квадратичной моделью может сказываться в случае, когда точки попадают на участок насыщения логистической кривой. Также не рассматривались к методы к ближайших соседей (kNN = k Nearest Neighbour). Они являются непараметрическими методами классификации и не требуют предварительного задания вида зависимости. Следовательно, такие методы могут давать лучшее качество аппроксимации на выборке за счет разбиения пространства переменных на произвольное число областей для последующего принятия решений. Однако, поскольку kNN-методы обычно разбивают балу данных с помощью расстояния Махаланобиса (d2),. при этом неявно предполагается, что межгрупповые матрицы дисперсии одинаковы.

Содержание

Далее

Более того, осмысленный прогноз возможен только в предположении, что эти матрицы постоянны во времени. В этом вопросе необходимы дальнейшие исследования.