Klasyfikacja kredytobiorców z wykorzystaniem sieci neuronowo-rozmytej

• Autorzy: Kinga Kądziołka
• Języki publikacji: PL

Abstrakty

Zadanie klasyfikacji polega na podzieleniu danego zbioru obiektów na grupy. Do jednej grupy należą elementy, które mają pewne własności wyróżniające daną grupę. Proces doboru parametrów adaptacyjnych nazywany jest uczeniem sieci, za dane, na podstawie których następuje wyznaczanie tych parametrów to tzw. dane treningowe. Celem procesu uczenia, oprócz dopasowania do danych treningowych, jest także jakość klasyfikacji na danych, które nie zostały wykorzystane w procesie uczenia (dane testowe) Sieć neuronowo-rozmyta stanowi połączenie sieci neuronowej i systemu rozmytego, co umożliwia wykorzystanie zarówno regułowej reprezentacji wiedzy systemów rozmytych, jak i metod uczenia stosowanych w przypadku sieci neuronowych. Architektura rozmytej sieci neuronowej przypomina wielowarstwowy perceptron. Różnica polega na tym, że rolę wag pełnią funkcje przynależności do zbiorów rozmytych, za zamiast funkcji aktywacji mamy operatory na zbiorach rozmytych. (fragment tekstu)

Słowa kluczowe

PL

Sieci neuronowe; Bankowość; Kredyt

EN

Neural networks; Banking; Credit

• Czasopismo: Prace Naukowe / Akademia Ekonomiczna w Katowicach
• Rocznik: 2009
• Tom: Metody matematyczne, ekonometryczne i komputerowe w finansach i ubezpieczeniach 2008
• Strony: 133--142

Twórcy

autor

Kinga Kądziołka

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Baesens B. (red.), Learning Bayesian network classifiers for credit scoring using Markov Chain Monte Carlo search, Proc. International Congress on Pattern Recognition 2002
• Bartos J., Credit scoring with boosted decision trees, MPRA Paper No 8156 (2008)
• Geiger D (red.), Bayesian network classifiers, Machine Learning 1997
• Nałęcz M. (red.), Biocybernetyka i inżynieria biomedyczna 2000, T. 6. Sieci neuronowe, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2002
• Osowski S., Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa 1996
• Patnaik M., Feature Extraction using Fuzzy C - Means Clustering for Data Mining Systems, „International Journal on Computer Science and Network Security” 2006, Vol. 3, No 3
• Piegat A., Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa 1999
• Repozytorium UCI http://archive.ics.uci.edu/ml/
• Zhang D., Chen S., Clustering incomplete data using kernel-based fuzzy c-means algorithm, „Neural Processing Letters” 2003, No 18(3)