Метод формирования портфеля особенно полезен


Метод формирования портфеля особенно полезен при анализе чувствительности. В этом случае для каждого объекта и для каждого элемента плоскости выходных изображений вычисляется значение одной из компонент, а результирующее среднее значение представляется в графической (путем выделения цветом) или цифровой форме. В результате становятся видны типичные комбинации значений компонент, которые располагаются обычно вместе. Качество различных АНС можно сравнивать, вычисляя средние значения портфелей для заданных подтипов в пространстве наблюдений. Для отдельных типов и компонент могут быть разработаны специальные плоскости выходных параметров, результаты которых будут заметно лучше. Иногда на таких плоскостях, особенно вблизи границ пространства наблюдений (там, где существенно важные нейроны при обычном алгоритме не учитываются) видны некоторые систематические ошибки. Одним из важнейших применений портфеля является анализ редких компонент и исключительныхслучаев. Некоторые ситуации могут возникать лишь случайно. При этом распределение наблюдений будет настолько разнообразным, что в пространстве наблюдений становится невозможной какая бы то ни было кластеризация. Эти объекты можно сравнить с типичными значениями, не относящимися к исключительным ситуациям. С помощью определенной группировки значения компонент, входящих в портфель объектов, могут сравниваться и усредняться. В общем случае, чтобы проверить обученную АНС на релевантность, необходимо либо иметь дополнительную информацию, не использовавшуюся при создании АНС, либо использовать для получения тех же результатов другие математические методы. Например, при проверке достоверности карты платежеспособности метод АНС можно проверить с помощью линейного дискриминантного анализа (ЛДА) (linear discriminant analysis). Эта математическая модель наиболее часто применяется для предсказания банкротств. Основой алгоритма ЛДА является вычисление по специальной формуле показателя Z , характеризующего в комплексе платежеспособность компании. Получив показатель Z для каждой компании из входного массива, необходимо нанести его значения на плоскость выходных параметров АНС. Это позволит ограничить некоторые области, состоящие из фирм со сходной, согласно проделанному анализу ЛДА, платежеспособностью. Этим областям можно дать название диапазонов неплатежеспособности (диапазоны изменения Z ). Можно сделать вывод о релевантности АНС, если определенные диапазоны неплатежеспособности ( Z  7 ) будут находиться в зоне платежеспособности на плоскости выходных параметров АНС. Аналогично, низкие диапазоны неплатежеспособности (Z  2 ) должны полностью попадать в зону банкротства. Компании с показателем Z , лежащим в диапазоне от 2 до 5, должны попадать в пограничную зону. Чтобы получить диапазоны неплатежеспособности, вместо ЛДА можно также использовать другую нейронную модель . многослойный перцептрон. Эта модель имеет общую с ЛДА цель . получение показателя Z для использования его как меры платежеспособности. Данная модель также способна разделять нелинейные паттерны. Фактически ЛДА представляет собой частный случай многослойного перцептрона.
Содержание раздела