Научная статья на тему 'АНАЛИЗ КРЕДИТОСПОСОБНОСТИ В ПАКЕТЕ DEDUCTOR'

АНАЛИЗ КРЕДИТОСПОСОБНОСТИ В ПАКЕТЕ DEDUCTOR Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
37
3
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ФИЗИЧЕСКОЕ ЛИЦО / КРЕДИТОСПОСОБНОСТЬ

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Анисимова Э.С.

В статье описывается процедура определения кредитоспособности физического лица с использованием аналитического пакета Deductor (Basegroup).

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Текст научной работы на тему «АНАЛИЗ КРЕДИТОСПОСОБНОСТИ В ПАКЕТЕ DEDUCTOR»

менеджмент); синхронизация работ с поставщиками; анализ видов и последствий отказов (FMEA); планирование качества перспективной продукции и план управления (APQP, Advanced Product Quality Planning and Control Plan); управление данными по продукту (PDM); виртуальное проектирование и инженерный анализ (VPD-CAE); управление атрибутами (требованиями к продукту); стайлинг; управление изменениями в проекте (change-management); конфигурирование продукта.

Использованные источники:

1. Гарина Е.П. Системы создания продукта в промышленности / Е.П. Гарина,

B.П. Кузнецов, А.И. Панов, Е.А. Семахин, С.В.Семёнов, Я.С. Поташник, И.В. Носаков: Монография. - Н.Новгород: НГПУ, 2012. -164 с.

2. Романовская Е.В. Анализ методов реструктуризации промышленного предприятия в современных условиях / Е.В.Романовская, В.П.Кузнецов // Вестник Череповецкого государственного университета. 2011. Т. 1. № 2-29.

C. 59-62.

Анисимова Э. С. ассистент

кафедра информатики и дискретной математики

Елабужский институт Казанский (Приволжский) Федеральный Университет

Россия, г. Елабуга АНАЛИЗ КРЕДИТОСПОСОБНОСТИ В ПАКЕТЕ DEDUCTOR Аннотация. В статье описывается процедура определения кредитоспособности физического лица с использованием аналитического пакета Deductor (Basegroup).

Ключевые слова: физическое лицо, кредитоспособность. В последние годы ярко выраженной тенденцией в банковском деле становится развитие кредитных операций с физическими и юридическими лицами. В связи с этим существенно повышается уровень кредитного риска, которому подвержены все участники банковского сектора. Наличие такого риска и его зависимости от многочисленных факторов, находящихся, прежде всего, в сфере деятельности заемщика, предопределяют необходимость выбора банком системы экономических показателей, с помощью которых можно оценить способность заемщика выполнить свои обязательства. Проблема выбора совокупности количественных и качественных показателей, характеризующих возможности кредитополучателя получила название проблемы определения кредитоспособности физического или юридического лица.

В практике российских и зарубежных банков применяются различные подходы к определению кредитного риска физических лиц, начиная с субъективных оценок кредитными экспертами коммерческих банков и заканчивая автоматизированными системами оценки риска.

Определим кредитоспособность физического лица с использованием автоматизированной системы - аналитического пакета Deductor (BaseGroup). Платформа Deductor является основой для создания прикладных аналитических решений. Реализованные в ней технологии позволяют пройти все этапы построения аналитической системы от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов, используя одну систему.

В качестве обучающего набора данных выступает база данных, содержащая информацию о клиентах. На основе этих данных необходимо построить модель, которая сможет дать ответ, входит ли Клиент, желающий получить кредит, в группу риска невозврата кредита, т.е. пользователь должен получить ответ на вопрос "Выдавать ли кредит?". Задача относится к группе задач классификации, т.е. обучения с учителем.

Импортируем данные для анализа и запускаем мастер обработки. Выбираем метод обработки данных - нейронная сеть. Задаем назначения исходных столбцов данных. Выходной столбец в нашей задаче - "Давать кредит", все остальные («Сумма кредита», «Цель кредитования», «Возраст», «Пол», «Образование», «Должность») - входные.

Разбиваем исходное множество данных на обучающее и тестовое.

Определяем структуру нейронной сети: количество нейронов в входом слое (количество входных переменных), в скрытом слое, в выходном слое (количество выходных переменных); активационную функцию. Выбираем алгоритм и параметры обучения нейронной сети: скорость обучения и величину момента.

Настраиваем условия остановки обучения. Будем считать пример распознанным, если ошибка меньше 0,005, и укажем условие остановки обучения при достижении эпохи 10000. Запускаем процесс обучения и наблюдаем за изменением величины ошибки и процентом распознанных примеров в обучающем и тестовом множествах.

После окончания процесса обучения для интерпретации полученных результатов мы имеем возможность выбрать визуализаторы из списка предложенных: таблица сопряженности, граф нейросети, анализ "что, если", и при помощи них проанализируем полученные данные.

Визуализатор "что-если" позволяет провести эксперимент. Данные по потенциальному получателю кредита следует ввести в соответствующие поля, и построенная модель рассчитает значение поля "Давать кредит" - "Да" или "Нет", т.е. решит поставленную задачу.

Анализ «что-если» содержит также диаграмму, на которой отображается зависимость выходного поля от одного из входных полей при фиксированных значениях остальных полей. Например, требуется узнать, на какую сумму кредита может рассчитывать человек, обладающий определенными характеристиками.

4» ' ни I пи cm M«

Рис. 2. «Что - если». График

То есть человек в возрасте 25 лет с высшим образованием, занятый в отрасли «Информатика и телекоммуникации» по специализации «Бухгалтерия» на руководящей должности, имеющий квартиру площадью 37 кв. м, отечественный автомобиль и проживающий в данной местности 22 года может рассчитывать на сумму кредита не больше 38000.

Использованные источники:

1. Ansimova E.S. Fractals and digital steganography // Сборник научных трудов SWorld. - Выпуск 1. Том 6. - Одесса, 2014. - ЦИТ:114-575. - С. 69-71.

2. Анисимова Э.С. Сжатие изображений с помощью квадратичных кривых Безье // Естественные и математические науки в современном мире / Сборник статей по материалам XIV международной научно-практической конференции. №1 (13). Новосибирск: Изд. "СибАК", 2014. - С. 42-46.

3. Анисимова Э.С. Формирование математической компетентности студентов психолого-педагогического направления // Сборник научных трудов SWorld. - Выпуск 4. Том 19. - Одесса, 2013. - ЦИТ:413-0295. - С. 5658.

4. Анисимова Э.С. Фрактальное кодирование изображений // Сборник научных трудов SWorld. - Выпуск 3. Том 4. - Одесса, 2013. - ЦИТ:313-0589. - С. 79-81.

5. Deductor. Аналитическая платформа для эффективных бизнес-решений. URL: http://deductor.com.ua/

i Надоели баннеры? Вы всегда можете отключить рекламу.