Что бы узнать от промахов: индуктивный подход к обучению оценки кредитного риска
РЕЗЮМЕ
Эта статья представляет собой новое измерение индуктивного обучения для анализа кредитного риска на основе конкретных последствий, тип I и тип II кредитной ошибки на точность в процессе обучения. Динамические обновления процесса предлагается уточнить кредитования решение с течением времени и, следовательно, повысить точность в процессе обучения. Новое измерение испытан на кредитных дел малых бельгийских предприятий. Результаты свидетельствуют об улучшении учебного процесса с точки зрения интеллектуального точность, стабильность и концептуальные действия конечное дерево решения. Предметные области: систем поддержки принятия решений, теория принятия решений и финансов.
ВВЕДЕНИЕ
Оценка кредитного риска является одной из наиболее важных направлений деятельности коммерческого банка. При оценке кредитоспособности заявителя, кредитный сотрудник должен принимать во внимание условия кредитования, характеристики заявителя, а также риск-доходность кредитования банка целей (см. Эстер, 1966). Кредитного процесса расследования, направленные на приобретение достаточно информации, чтобы определить способность кандидата и готовность обслуживать запрошенный кредит. Тем не менее, необходимо найти баланс между кредитными расходы на расследование и вернуть вероятностей. Коэн, Гилмор, и Сингер (1966) отмечают, что "процесс выдачи кредитов оценки в целом, как представляется, занимаются определенного набора эвристик. Эти эвристики привести к ', удовлетворяющие поведения, то есть, выбирая лучший вариант которой был найден после ограниченный период поиска "(стр. 220).
Некоторые инструменты поддержки принятия решений в настоящее время используются в кредит оценки в целях сокращения времени и затрат провели в ходе расследования и оценки. В течение нескольких лет, способность компьютеров для обработки цифровых данных, были использованы для быстрого поиска финансовой информации в больших объемах данных и обрабатывать эту информацию в краткой и легко поддающееся подсчету формате. Однако, как нефинансовые и часто качественную информацию, существующую в оценке небольшой размер кредитов, общий кредитный скоринг инструментов появляется менее приспособлены для обработки этих кредитов. Исследования, проведенные в области искусственного интеллекта предлагает альтернативный подход, называемый экспертных систем. Наиболее важным элементом в создании экспертной системы является разработка соответствующей базы знаний. Там существует множество методов, чтобы приобрести знания человека экспертов (см. Бауман, 1984, 1985, 1987; Денга, 1993; Элмер
Предыдущие эксперименты (см. Тессмер и др.). Также показали, что индуктивный процесс обучения очень неустойчива. Этот документ, в котором исследуется, как индуктивный методологии обучения может помочь разработать более эффективную модель поддержки принятия решений для анализа кредитной ..
Автор предлагает добавить новое измерение индуктивного обучения, методика, которая использует тип I и тип II кредитной ошибок. Поскольку они находятся очень близко к границе между принятых и отклоненных кредиты, тип I и тип II кредитной ошибки могут подтолкнуть индуктивный процесс обучения на более точное определение понятия, которые можно извлечь. Автор предлагает способ усовершенствовать предоставление кредита решение модели с течением времени и, как следствие, повысить точность и стабильность в процессе обучения.
В первой части этой статьи дается краткий обзор индуктивный метод обучения и его терминологии. Во втором разделе добавляет новое измерение к методологии в рамках кредитного анализа риска и предлагает инновационные динамического процесса обновления. Третий раздел содержит информацию и комментарии по экспериментальные результаты с помощью кредитов для малых бельгийских предприятий. Выводы приводятся в предыдущем разделе.
ОБЗОР индуктивный процесс И ЕЕ ПРИМЕНЕНИЕ В КРЕДИТ АНАЛИЗ
Индуктивного обучения, которая также называется индукционной, является процедура классификации моделей, которые точно известно классификации так что, когда объект неизвестного класса встречается, классификации могут быть предложены для него (см. Хант, Марин,
Например пространство является ^-мерном пространстве, где каждая точка, или, например, описывается вектором (х) состоит & независимых переменных, называемые атрибутами, а также дискретной или непрерывной классификации (и). Типичным дискретной функции классификации имеет значение 0 представляет пример, который не относится к концепции, которая также называется отрицательный пример. Значение 1 представляет собой пример, который относится к понятию, которое также называется положительным примером. Если непрерывной функции классификации дает вероятность, с которой данном примере представляет концепцию. В рамках данного запуска алгоритма, например пространства определяется в обучающей выборки ввода. Например экземпляра пространства представлена на рис 2, где примеры определяются с двумя атрибутами, attl и att2. Бинарной функции классификации представлен в виде "" за положительный пример и "-" для отрицательного примера.
Выход концепция представляет знания по индукции. Ренделл и Чо (1988) выразить ее как функцию и (х), отображение ^-мерного вектора в принадлежность к классу дискретные значения (0 или 1), когда эта концепция бинарных ценность, или на принадлежность к классу непрерывной величины ( [0 .. 1]) для градуированных или вероятностные концепции. Концепции, как правило, проверяются на точность предсказания на тестирование образца, независимо от обучающей выборки ввода. Индуктивный процесс пытается найти наиболее точные границы между положительными и отрицательными примерами и дает характеристики обеих групп точек.
В рамках процесса оценки кредитного риска, позитивный момент () обычно соответствует кредитов, которые были ранее приняты в кредитный комитет. Минус (-) обычно соответствует кредитов, которые были ранее отклонены по кредитным комитетом. Например пространстве, таким образом, множество ранее принятых решений кредит, как показано на рис фунтов Каждый прошлого решение описывается набор количественных и качественных фрагменты информации, которые являются атрибутами. "Предоставление кредита" концепции положительным или отрицательным и не промежуточное значение это возможно. Таким образом, концепция, которые можно извлечь двоичной ("1" для Принимаем кредит, или "0" для отклонил кредита). Цель индуктивный процесс должен открыть границы, разделяющей принятых и отклоненных кредитов и дать характеристики обеих групп точек. В данной работе концепция представляется в двоичном дереве решения. Следующим шагом после приобретения знаний, было бы перевести дерева решений в той или иной языковой базы знаний, которая способна вести экспертной системы для предоставления кредита решение, аналогичное тому, что кредитный комитет достигнет. Если использовать для предоставления новых решений, времени и сбора данных сводится к минимуму, а точность решения экспертной системы, столь же хорошо, как технология позволяет ..
Эта статья не распространяется на базы знаний и экспертные системы часть этого процесса. Вместо этого он сосредоточен исключительно на этап приобретения знаний, в нашем случае, осуществляется через индуктивного обучения. Как показано на рисунке, б, реальных приложений использовать то, что была ранее признаны приемлемыми или неприемлемыми кредиты, а обучающих примеров. Некоторые из этих кредитов все еще не выполнены, а другие, возможно, уже были погашены. В последнем случае система дизайнер знает, какую реальную отдачу кредитов и знает, является ли решение кредитного комитета было правильным или нет. Как правило, только хорошие погашения кредитов находятся на системы проектирования. Кроме того, с течением времени, некоторые непогашенных кредитов может обратиться безнадежной. Если это ваш случай, если кредиты безнадежного быть удалены от учебных файл? Тогда, что о решении модель, которая была создана с неправильным положительных решений? Не ясно, что практикующие фактически делают в этой ситуации. Однако, наиболее логичным решением требует редизайна решение модели, возможно, не неправильные случаях кредит. Эта статья показывает, что кредиты, которые первоначально были приняты решения человеческих но потом оказалось безнадежным, следует также использовать для разработки экспертной системы.
Кроме того, было показано, что ранее принятые решения не принимать кредитные это было бы вполне приемлемо должна быть частью процесса проектирования, а также. Важные знания могут быть получены из прошлых ошибок и внести вклад в более соответствующие окончательные экспертные системы ..
ПРОЕКТ новые перспективы для индуктивного обучения
Автор предлагает использовать все виды прошлых решений кредит (правильно или неправильно), чтобы приобрести через индукцию наиболее точные знания, необходимые для достижения наилучших кредитное решение автоматически. Экспериментальная часть работе показано, что решение модели более высокого качества, не будет исчерпан. Качество решения определяется двумя способами: надежный с течением времени (стабильность), а также правильно, насколько возможно (точность предсказания). Текущий аргумент опирается на важное сходство между положительными и отрицательными кредитных решений расположен очень близко к понятию границы. Цель состоит в пересмотре прохождения границы, с тем чтобы выполнить индуктивный процесс обучения на более точные набор обучающих примеров.
Конкретные примеры или промахов
Предположим, что концепция, чтобы узнать состоит только из одной границе в случае, в пространстве и что большое количество примеров находятся близко к границе, как показано на рисунке 2. Похоже, что открытие границы правильной и, следовательно, определение правильной характеристики положительных и отрицательных примеров, будет способствовать в случае, пространство как показано на рисунке. В самом деле, положительные и отрицательные примеры очень близко к границе, подталкивая к индуктивный процесс правильное расположение границы.
В литературе тех конкретных примеров (как правильно или неправильно классифицированы), что очень близко к границе, называются промахов. Эти "примеры... Совсем как концепции, которые можно извлечь, но которые отличаются от этой концепции лишь небольшое число наиболее важные моменты" (см. "Уинстон", 1975, стр. 162). Вблизи пропустить это пример, который очень близок к концепции, но некоторые элементы, которые позволяют неправильным рассматривать в качестве члена этой концепции. Например, на рисунке 2, промахов Среди отрицательных примеров, близких к границе. Кроме того, у пропустить это пример, который очень близок к отрицательным примером, но некоторые элементы сделать его правильно рассматривать как члена этой концепции. Например, на рисунке 2, они являются одними из положительных примеров, близких к границе. Небольшие, но существенные различия определяется промахов позволяют индуктивный алгоритм для локализации в некоторых частях его текущего положения о понятии и улучшить ее. Важные качества концепции, которые следует извлечь можно предположить, путем тщательного отбора представителя промахов. Промахов таким образом, имеют возможность передачи достаточно прямо некоторых конкретных идей в алгоритм обучения. Тем не менее, обнаружение и определение соответствующих промахов не простой задачей и должен быть найден в отношении сферы применения.
В рамках процесса оценки кредитного риска, промахов можно дать интересные интерпретации. Поскольку эти конкретные примеры очень близко к границе, их описание в терминах выбранных признаков, очень близко к значениям атрибутов из примеров, принадлежащих к противоположного класса. Другими словами, некоторые из ранее принятых кредитов (положительные примеры) может показать наиболее характеристик отклонил кредит (отрицательный пример). В результате человеческой решение о предоставлении или не предоставлении кредита может быть неопределенным, и путать эти частные случаи. Таким образом, можно предположить, что множество положительных кредитов, близких к границе содержит I типа кредитной ошибки, которые мы будем называть положительным промахов. Таким же образом, некоторые ранее отклонил кредитов (отрицательные примеры) может действительно показать самые характеристик Принимаем кредит (положительный пример) и поэтому может содержать тип кредитной II ошибки, которые мы будем называть отрицательной промахов.
Открытие промахов соответствует, таким образом, к открытию типа I и типа II ошибки. Тип ошибок, которые я возможно проследить, как эволюция Принимаем кредитную будет определять свои положительные (хорошо работает кредит) или отрицательным (неудачный кредит) результата. К сожалению, Тип II ошибки не столь очевидны, чтобы обнаружить. Особую роль типа I и типа II кредитной ошибок промахов на выходе результатов является уникальным и никогда не изучал кредитных заявок для анализа рисков. Таким образом, использование типа I и II типа ошибки, как почти пропустил примеров представляет собой перспективный вклад в проблему проектирования инструмент поддержки принятия решений в кредитных анализа рисков.
Вклад динамических Обновление "Кредит-предоставлении решений
Предположим, что тип I и II типа ошибки встречаются среди учебных примеров. Можно утверждать, что, в конце концов, эти примеры в прошлом ошибки и не должны быть использованы индуктивный процесс обучения в качестве представителя знаний эксперта. Кредитов, которые первоначально были приняты кредитного комитета, но не после (тип ошибки I) не должно было быть принято, или не должны быть включены в концепцию. Таким же образом, можно утверждать, что кредиты, которые изначально были отвергнуты кредитного комитета, но в итоге произошло, окажется выгодным для конкурирующие финансовые учреждения (тип ошибки II), не должны были быть отклонены, или должны быть включены в концепции.
Таким образом, рядом играет важную роль почти пропустил примеры, типа I и типа II кредитной ошибки также указано, какие кредитные решения изначально неправильно. В связи с этим предположили, что процесс обучения на основе обновленных кредитных решений, должны быть качественнее с точки зрения точности и стабильности. Таблица 1 показывает, как с течением времени, результаты первоначально принятых / отклонил кредит могут быть изменены: Принимаем кредит в момент / может оказаться не удалось в момент / J (тип ошибки I); аналогичным образом, отклонил кредит в момент / может стать выгодный кредит в конкурирующие финансовые учреждения в момент / J (тип ошибки II). 3 показано, как положение концепции границы между промахов должна быть обновлена. Обновление граница содержит правильно принято кредитов (), а также ошибки типа II (-), то есть кредитов находится в области жирным шрифтом в таблице 1. Тип ошибки I (') находятся за пределами границы, а также правильно отклонил кредитов (-). Обновление границы в настоящее время приходится более обоснованные решения, предоставление не повторять ошибки, сначала выступил в кредитный комитет. Тип I и II типа ошибки по-прежнему остаются очень близкими к обновленному границы и продолжать играть свою роль в промахов, то есть, они подтолкнуть процесс обучения на более информированы и, следовательно, более точные определения понятия ..
Динамическое обновление Пограничное состояние с течением времени
Репозиционирования концепции границы с учетом обновленной кредитной предоставляющих решения во времени предполагает, что тип I и II типа ошибки обнаруживаются. Тип ошибки Я наблюдаются как ранее принятых кредитов, которые в конечном итоге провалились. Предлагается динамический процесс обновления (ДУП) исключает ошибки типа I от границы и сохраняет их в число отрицательных примеров, как показано на рисунке 3. Открытие II типа ошибки более проблематичным, поскольку такие кредиты практически невозможно отследить. Тем не менее, DUP должны следовать тем же способом, за ошибки типа I, но в противоположном направлении: во время обновления, тип кредитной II ошибки должны быть включены в границы, то есть, среди положительных примеров, как показано на рисунке 3.
В самом деле, характеристики, которые исключают типа ошибок, которые я от границы могут быть уроки по индукции. При использовании в качестве обучающей выборки, не кредиты (как отрицательные примеры) и nonfailed кредитов (в качестве положительных примеров), в результате дерево решений будет выявить малых характеристик, которые отличают тип ошибок, которые я от других положительных примеров. В связи с этим концептуальное различие между кредитом считается, которая отличается от математической разницы между точками в многомерном пространстве. После того как система дизайнер знает причин Тип I ошибки так, по тем же причинам может использоваться, чтобы обнаружить ошибки типа II. То есть, дерево решений может быть применен к множеству отклонил кредитов и те, которые признаются в качестве достаточно близки, чтобы быть положительные примеры будут включены в границы. Рисунок 4 показывает, что процесс обучения и показывает небольшое различие (CD), которые должны исключить пример положительной группы. То же различие затем используется как разъем для принятия решения о негативных группу. Отклонил кредита, который очень похож на положительные примеры (разница
DUP можно свести в три этапа:
Шаг 1: Признание расстояние не удалось, и nonfailed кредитов.
Признание осуществляется через индуктивного обучения. Цель заключается в том, чтобы построить дерево решений, которое описывает концептуальную расстояние между ошибки типа I (не удалось кредитов) и другие положительные примеры (nonfailed Принимаем кредитов).
Шаг 2: Определение типа кредитной ошибки II.
Дерева решений, полученной на этапе 1 используется для идентификации отклонил кредиты, которые напоминают самые Принимаем кредитов. Отклонил кредитной концептуально достаточно близко, чтобы Принимаем кредит определяется как ошибку Типа II.
Шаг 3: Обновление границы.
Обновленная концепция включает в себя границы nonfailed Принимаем кредитов и тип ошибки II. Границы исключает ошибки типа I и отклонил кредитов неидентифицированная как тип ошибки II.
Обновление границе не повторять прошлых ошибок кредит, то есть она представляет собой более обоснованные решения кредитования. Рисунок 5 показывает, как DUP становится частью процесса обучения. Он используется в качестве предварительной обработки подготовки файла для повышения качества материалов для индуктивных сам алгоритм. В результате концепция узнал по индукции, должен быть более точным и более стабильным. Следующий раздел содержит информацию экспериментальные результаты, подтверждающие эту гипотезу.
Результаты экспериментов
Для того, чтобы проверить актуальность DUP на повышение стабильности и точности результатов серии экспериментов проводится на данных, собранных в файл большого бельгийского финансового учреждения. Набор данных охватывает небольшой заявки на предоставление кредита менее $ 30000, в основном долгосрочных кредитов или овердрафта кредитов. Среди 136 консультации файлы, 22% зарегистрированных компаний. Остальные заявители по найму, в основном принадлежащих к сфере услуг. Набор данных состоит из 30 удалось кредитов (тип ошибки I), 62 nonfailed кредиты, а 33 отклонены кредитов, среди которых 11 будет перерегистрирована в качестве ошибки типа II. Каждый кредит представляет набор атрибутов 43 подразделяются на семь категорий, начиная от финансовых данных коммерческих отношений с заявителем (см. Тессмер, 1992). Приложение кратко описывает семь категорий атрибутов. Набор данных был очень плохого качества, в основном качественный значения и до 50% от неизвестного значения для некоторых атрибутов. Тем не менее, это не помешало индуктивный процесс обучения от создания деревьев решений, которые были высокого качества и очень поучительно банковскими служащими. Деревья были использованы в качестве инструментов аудита пересмотреть решение кредитных комитетов процесса.
Считается, что перевод этих деревьев в базу знаний, которая будет использоваться экспертная система была не цель банка. Дальнейшие шаги в разработке окончательного экспертной системы не были ..
Глобальный процесс толкования дерева (GTIP) (см. Тессмер и др.., 1993), используемые в данном исследовании позволяет отчетности весьма актуальной удержания из точность прогнозирования образца. Это наиболее важная мера прогнозирования для практиков.
Эксперименты проводятся в три этапа:
Эксперимент 1: начальный глобального дерева создан с помощью начально (рис. 6), где
положительные примеры = все принятые кредиты, а
отрицательные примеры = все отклонил кредитов.
Складной нож процедуры (см. Тессмер и др.., 1993) используется для создания оригинальных 136 деревьев, из которых формирует методологию GTIP первоначального окончательный вариант глобальной дерево, как правило, будет использоваться как в традиционном подходе.
Обновление: DUP реклассифицирует промахов, чтобы можно было перезапустить индуктивный процесс обучения с переподготовку файл.
Эксперимент 2: обновление глобальной дерево генерируется на обновленном решения (рис. 7), где
положительные примеры = nonfailed Принимаем кредитов Тип II ошибки, и
отрицательные примеры = отклонил кредитов не определены как тип ошибки II типа
Я ошибок.
Складной нож процедура используется для создания оригинальных 136 деревьев, из которых методологии GTIP генерирует обновление мировом финале дерева.
Читателей, интересующихся концептуальное значение рис. 6 и рис 7 следует обратиться к приложению, где на новую систему кодов, используемых для экспериментов объяснил.
Таблица 2 представлены результаты эксперимента 1 и 2 эксперимента с точки зрения точности. Точность, используемые в данном исследовании является истинным прогноз по образцу держать от него в качестве порожденных общий подход складной нож (см. Тессмер и др.., 1993). Колонка 1 указывает на более высокую точность предсказания до DUP (76% против 68%), что идет вразрез с нашими ожиданиями. Тем не менее, дерево решений, которое правильно предсказывает ошибочное решение (тип I и тип ошибки II) должны быть оштрафованы. В самом деле, колонки 2 и 3 показывают, что начальная глобального дерева (в результате эксперимента 1) фактически повторил 87% и 43% от типа I и II типа ошибки, соответственно. Таким образом, исправление прогнозирования точность 52%, как указано в колонке 4. В случае обновления глобальных дерево, ни один из типов I и II типа были повторены. Исправления точности (графа 4) Поэтому идентичны точность предсказания. В заключение, основываясь на исправление точности, обновленной глобальной дерево выглядит более точные (68%) по сравнению с первоначальной глобальной дерева (52%).
Высокая стабильность деревьев мало информации шумно характеризуют надежный процесс обучения (см. Breiman, Фридман Olshen,
То есть, три атрибуты практически всегда появляются в том же месте дерева решений. Это показывает, насколько DUP в состоянии стабилизировать структуру дерева ..
Из полученных результатов можно сделать вывод о том, что после обновления границы, индуктивный процесс обучения является более точной. Таким образом, качество индуцированного дерева решений возрастает. На практике, однако, проблема обновления границе появляется каждый раз ошибку Типа я не наблюдается, то есть, каждый раз непогашенных кредитов не удается до достижения зрелости. В лучшем случае, такой результат требует полного повторения DUP-индукции процесса с минимальными изменениями в окончательный вариант глобальной дерева. Практически говоря, было бы более целесообразно собирать множество типа ошибок, которые я перед перезапуском процесса в целом. Это, конечно, решение вызова. Практикующие захотят пересмотреть процесс принятия решений, как часто, как они считают, что стоит затрат. Никаких изменений не означает повышенный риск, что подобные ошибки будут повторены экспертной системы.
Актуальность DUP не ограничивается применение показано в настоящем документе. Любое финансовое учреждение, возможно, захотите рассмотреть такой же подход. Конкретных деревьев генерируется в этом исследовании не может быть полезным, поскольку каждый кредитный отдел имеет свой собственный способ для сбора и анализа кредитной информации. Экспертная система должна быть настроена на традиционном процессе анализа того или иного учреждения. Другие поля также могут получить от использования DUP, например, анализ связей рейтинг или прогноз фондового рынка. В общем, любое решение, область, в которой ошибки значимых источников информации, DUP подход имеет значение.
ЗАКЛЮЧЕНИЕ
Дерево основе индуктивного обучения, подход был представлен в качестве альтернативы статистические методы для разработки программы поддержки принятия решений в кредитных анализа рисков. Краткий обзор методики обучения позволили акцент новый аспект подхода, который ранее не рассматривался в литературе.
Новое измерение основано на конкретных последствий, тип I и II типа ошибки, а промахов, от точности индуктивного процесса обучения. Литература утверждает, что промахов есть возможность подтолкнуть процесс обучения на более точное определение границы между положительными и отрицательными примерами. Такое конкретное воздействие типа I и II типа ошибки является уникальным и не был рассмотрен в кредитном анализе. Динамические обновления процесса предлагается переехал границу между типа I и II типа ошибки для того, чтобы определить более обоснованные решения предоставлении кредита и узнать более точные понятия.
Экспериментальные результаты подтверждают предположение, показав, что процесс обучения является более точной и более стабильной после динамического процесса обновления не выполняется. Результаты показывают, что индуктивного обучения подход игнорирует наличие у пропустил примеры, и их потенциальный вклад в более точное понятие, остаются неполными. Динамические обновления процесса должны быть выполнены на самом деле, когда тип I или типа II ошибка обнаруживается с течением времени. Динамика процесса является его фактическая численность персонала. Автор в настоящее время расследует внедрение автоматизированной обновление дерева решений, как только решение прошлом, как представляется, не так. Такое исследование даст ответ на общий интерес специалистов-практиков в отношении поддержания базы знаний экспертов системы. [В редакцию: Февраль 22,1995. Принято: 15 апреля 1996.]
Ссылки
Боуман, MJ. (1984). Эксперт против начинающих принятия решений в области бухгалтерского учета: резюме.
Организация бухгалтерского учета и общество ", 9 (3 / 4), 325-327. Боуман, MJ. (1985). К экспертные системы: анализ экспертов финансового поведения. В рабочем документе, Колледж делового администрирования, Университет штата Орегон.
Боуман, M.J. (1987). Как финансовых аналитиков, принимать решения? Модель процесса отбора инвестиционных решений. Учет организаций и общества 12 (1), 1-29.
Браун, H.,
Breiman, Л. Фридман, I.H., Olshen, контр-адмирал,
Чандлер, J.S., Лян, T.,
Коэн K.J., Гилмор, T.C.,
Currim, I.S., Мейер, R.J.,
Дэн, PS. (1993). Автоматизация приобретения знаний и поддержки уточнения решения: коннекционистский индуктивные модели вывода. Решение наук, 24 (2), 371-394.
Элмер, PJ.,
Хан, И. (1990). Воздействие шкалы измерения производительности по классификации индуктивного обучения и статистических подходов. Докторская диссертация, Департамент бухгалтерского учета, Университет штата Иллинойс в Урбана-Шампейн.
Эстер, доктор богословия (1966). Эмпирического изучения коммерческих функций предложение кредита банка. В K.J. Коэн
Хант, Британская энциклопедия, Марин, J.,
Галактика, W.F.,
О'Лири, степень упругости (1987). Проверка экспертных систем-приложения к аудита и системы бухгалтерского учета эксперт. Решение наук, 18 (3), 468-486.
Ренделл, L.,
Salchenberger, L.M., Синар, E.M.,
Шоу, M.J.,
Дым, K.L. (1933). Отрицательные случаях понятие уклоном. Журнал экспериментальной
Психология, 16, 583-588.
Тессмер, переменный ток (1992). Машинного обучения применительно к кредитования решений при малых бельгийских предприятий. Докторская диссертация, университет Намюр, Намюр, Бельгия.
Тессмер, переменный ток, Шоу, M.J.,
Уинстон, PH. (1975). Обучение структурного описания на примерах. Психология компьютерного зрения. Нью-Йорк: McGraw-Hill.
Антуанетта Canart Тессмер является визитной доцент кафедры финансов, колледж торговли и бизнес-администрирования в университете штата Иллинойс в UrbanaChampaign. Она была приглашенный профессор ассистент Бекман институт передовых наук и технологий в университете штата Иллинойс в период с 1989 по 1994 год. Она получила степень доктора философии из Университета Намюр, Бельгия, в соответствии с стипендий МГК Межвузовский Центр управления науки, Брюссель, Бельгия. Ее научные интересы покрытия системы поддержки принятия решений в финансовой оценки рисков, индуктивного изучения и анализа поведения непрофессиональных инвесторов на финансовых рынках. Д-р Тессмер недавно опубликованы в журнале информационных систем управления.
