Разработка системы автоматического кредитования клиентов
В нашем случае система имеет 9 входов, а это значит что количество нейронов в скрытом слое не должно превышать 2*9+1=19 нейронов. При выборе количества нейронов будем пользоваться этой формулой, но так же будем смотреть на статистические данные, полученные путем обучения и тестирования системы. При проектировании нейронной сети необходимо в первую очередь решить вопрос о количестве слоев… Читать ещё >
Разработка системы автоматического кредитования клиентов (реферат, курсовая, диплом, контрольная)
Проектирование нейронной сети средствами MATLAB
Для проектирования нейронной сети использовалась программа MATLAB R2011b.
Так же в программе MATLAB были написан ряд программ, их названия и основное назначение приведены в Таблица 3.
Таблица 3. Назначение вспомогательных программ.
Название м-фала. | Назначение м-файла. |
RCredit. | Генерация заданного числа случайных данных о клиентах. |
CreditFun. | Программа, воспроизводящая логику кредитования, которую должна будет повторить нейронная сеть. |
CData. | Построение заданного массива обучающих пар вход-выход. |
NeuNet. | Построение многослойного персептрона. |
ErrorM. | Построение матрицы ошибок в зависимости от архитектуры нейронной сети. |
BNet. | Вспомогательная функция, используется в ErrorM для создания новой сети при расчете матрицы и тренировке её на обучающем массиве данных. |
При проектировании нейронной сети необходимо в первую очередь решить вопрос о количестве слоев и количестве элементов (нейронов) в каждом слое. Количество входных и выходных элементов нам уже известно из модели данных. Остается выбрать количество слоёв и нейронов скрытого слоя.
«Для вычисления максимального числа скрытых элементов воспользуемся теоремой Колмогорова, которая утверждает, что любая функция n переменных может быть представлена как суперпозиция 2n+1 одномерных функций. Иными словами, нет никакого смысла выбирать количество скрытых элементов большим, чем удвоенное число входных элементов».
В нашем случае система имеет 9 входов, а это значит что количество нейронов в скрытом слое не должно превышать 2*9+1=19 нейронов. При выборе количества нейронов будем пользоваться этой формулой, но так же будем смотреть на статистические данные, полученные путем обучения и тестирования системы.
Так же очень важно выбрать достаточное количество обучающих данных.
Для предварительного выбора архитектуры сети была построена таблица ошибок, которую выдает система после обучения на 10 000 обучающих пар. Серым цветом выделены наименьшие значения ошибки. Для выделенного квадрата будут проведены дополнительны исследования.
Для наилучших значений, выделенных серым, кроме значений ошибок приведены графики обучения сети. На Рисунке 9 изображен график уменьшения ошибки в зависимости от количества эпох обучения нейронной сети. Графи построен для сети с 13 нейронами в первом скрытом слое и 12 нейронами во втором скрытом слое.
На Рисунке 10 изображен график ошибки для сети с 15 нейронами в первом скрытом слое и 13 во втором скрытом слое.
Рисунок 9. График ошибок при обучении сети с 13 нейронами в первом скрытом слое и 12 нейронами во втором скрытом слое.
Рисунок 10. График ошибок при обучении сети с 15 нейронами в первом скрытом слое и 13 нейронами во втором скрытом слое По результатам дополнительных исследований мы можем однозначно выбрать архитектуру нашей сети.