Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Бухаров экзамен.doc
Скачиваний:
15
Добавлен:
21.12.2018
Размер:
4.36 Mб
Скачать

15. Реализация скоринговой модели на эвм

Экономическая постановка задачи

Страховая компания N занимается автострахованием. Из желающих застраховать свой личный автотранспорт автовладельцев, страховая компания должна выбрать тех, чьи автомобили соответствуют разрешениям на страхование. Для принятия качественного решения, минимизирующего риски страховой компании, автомобили оцениваются по пяти параметрам: учет в ГИБДД, наличие номера кузова, наличие номера двигателя, год выпуска, срок эксплуатации (лет).

После оценки принимается решение: страховать автомобиль или нет.

Математическая постановка

Критериями, по которым оцениваются транспортные средства, иностранного производства, являются:

  • Учет в ГИБДД (состоит, не состоит)

  • Наличие номера кузова

  • Наличие номера двигателя

  • Год выпуска

  • Срок эксплуатации (лет)

Введем следующие числовые шкалы для измерения указанных параметров:

  • учет в ГИБДД

если машина состоит на учете, то 1,если нет, то 0

  • наличие номера кузова

при наличии номера кузова 1, при отсутствии 0

  • наличие номера двигателя

при наличии номера двигателя 1, при отсутствии 0

  • год выпуска

если год выпуска установлен, то 1, если не установлен, то 0

  • срок эксплуатации

если срок эксплуатации до 10 лет, то 1, если свыше 10 лет, то 0

Каждому параметру присваиваем свой весовой коэффициент так, чтобы сумма всех весовых коэффициентов была равна 1:

  • Учет в ГИБДД 0,2

  • Наличие номера кузова 0,2

  • Наличие номера двигателя 0,2

  • Год выпуска 0,2

  • Срок эксплуатации (лет) 0,2

После определения шкал записываем решающее правило: если сумма взвешенных значений равна или больше порога, то транспортное средство стоит страховать, если ниже порога – не страховать.

n – число параметров

- значение i-го параметра

Р – значение порога.

Решающее правило:

На пятидесяти объектах (автомобилях иностранного производства) обучаем модель. На Рис. 3 показаны исходные данные.

Рис. 3 Исходные данные

Чтобы проверить качество модели, находим ошибки. Для этого применим формулу: ,

где е2 квадрат ошибок,

ti решение, принимаемое экспертом на основе собственного опыта

ri решение, выдаваемое моделью

i – номер автомобиля

16. Искусственные нейронные сети

Нейронные сети. Класс аналитических методов, построенных на (гипотетических) принципах обучения мыслящих существ и функционирования мозга и позволяющих прогнозировать значения некоторых переменных в новых наблюдениях по данным других наблюдений (для этих же или других переменных) после прохождения этапа так называемого обучения на имеющихся данных.

Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. В будущем развитие таких нейро-биологических моделей может привести к созданию действительно мыслящих компьютеров. Между тем уже "простые" нейронные сети, которые строит система ST Neural Networks , являются мощным оружием в арсенале специалиста по прикладной статистике.

Мозг состоит из очень большого числа (приблизительно 10,000,000,000) нейронов, соединенных многочисленными связями (в среднем несколько тысяч связей на один нейрон, однако это число может сильно колебаться). Нейроны - это специальная клетки, способные распространять электрохимические сигналы. Нейрон имеет разветвленную структуру ввода информации (дендриты), ядро и разветвляющийся выход (аксон). Аксоны клетки соединяются с дендритами других клеток с помощью синапсов. При активации нейрон посылает электрохимический сигнал по своему аксону. Через синапсы этот сигнал достигает других нейронов, которые могут в свою очередь активироваться. Нейрон активируется тогда, когда суммарный уровень сигналов, пришедших в его ядро из дендритов, превысит определенный уровень (порог активации).

Чтобы отразить суть биологических нейронных систем, определение искусственного нейрона дается следующим образом:

  • Он получает входные сигналы (исходные данные либо выходные сигналы других нейронов нейронной сети) через несколько входных каналов. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (или вес); этот вес соответствует синаптической активности биологического нейрона. С каждым нейроном связано определенное пороговое значение. Вычисляется взвешенная сумма входов, из нее вычитается пороговое значение и в результате получается величина активации нейрона. Сигнал активации преобразуется с помощью функции активации (или передаточной функции) и в результате получается выходной сигнал нейрона.