Улучшение эффективности решения искусственных нейронных сетей: модифицированный генетический подход Алгоритм

РЕЗЮМЕ

Это исследование предлагает использование модифицированного генетического алгоритма (МГА), глобальный метод поиска, а метод обучения, чтобы улучшить обобщения и выявления соответствующих материалов в нейронной сети (НС) модели. Обобщения относится к способности модели Н.Н. показывать хорошие результаты экземпляров (замечания), которые не были использованы в процессе обучения (вне образца), улучшение обобщения повышает приемлемость Н. в качестве действенного инструмента для поддержки принятия решений. MGA улучшает обобщения, установив ненужного веса (или соединений) до нуля, а путем устранения этих весов. Поскольку устранить веса не имеют влияние на дальнейшее обучение (в-образец или вне выборки данных), соответствующие переменные могут быть определены из модели. Путем исключения ненужного веса, MGA может искать и находить скупой модель, которая обобщает хорошо. В отличие от традиционных Н.Н., MGA определяет модель переменных, которые вносят вклад в результаты, помогая лиц, принимающих решения по рационализации производства и принять результаты с большей уверенностью. В исследовании используется реальных данных, чтобы продемонстрировать использование MGA.

Предметные области: искусственный интеллект, поддержки принятия решений, финансовые трудности, и генетического алгоритма.

ВВЕДЕНИЕ

Нейронной сети (НС), автоматизированной поддержки принятия решений, инструментом, который приобрел известность в бизнес-решений (Bell, Рибара,

Некоторые атрибуты сделать привлекательным NNS инструментов поддержки принятия решений. Нейронные сети в основном классификаторе и прогнозирования методов. Однако, поскольку они используют алгоритмы обучения, приближенные практический опыт, их вывод может быть использован экспертов для поддержки принятия решений. Когда выбрали с осторожностью и использовать соответствующую профессиональную подготовку (например, выбрать правильную парадигму Н.Н., изменить базовый алгоритм соответствующим выберите соответствующий размер структуры, и так далее), NNS может быть использован как инструмент решения в различных ситуациях. Некоторые атрибуты NNS сделать их более надежными, чем традиционные статистические методы, такие как логит или нескольких дискриминантного анализа (MDA): нейронные сети требуют меньших предположениях о данных и модели, и, как правило, более мощный, с меньшим количеством ошибок классификации (Пальто

Нейронные сети также имеют свои ограничения: их парадигмы и архитектуры различаются (например, прямого распространения, категорический обучения сетей и вероятностных нейронных сетей). Кроме того, их изучение законов как правило, варьируются через эти парадигмы: Например, прямого распространения NNS использования градиентного спуска изучения законов; categoricallearning NNS использовать Кохонена обучения законы и вероятностные NNS использовать как Кохонена обучения и вероятностные законы. В самом деле, даже в пределах одной парадигмы обучения законов есть несколько вариантов. Стандартный обучения обратного распространения права, дельта правило, имеет много вариантов-быстрому обучению, быстро свойства, нормализует совокупный дельта, дельта-бар-дельта, расширенные дельта-бар-дельта, и так далее. Их архитектурные изменения влияния подготовки Н.Н., выбор ввод, вывод, скрытых слоев и пригодность для различных областей проблемы. Так, например, прямого распространения NNS лучше подходят для предсказания типа проблем, в то время как категорическое обучения сети лучше подходят для классификации типа задач (Этеридж и Sriram, 1997; Etheridge, Sriram,

Нейронных сетей функции, как черные ящики, классификации результатов как принадлежащие к одной из групп 1 и 2 группы. Тем не менее, они не объясняют, почему определенные наблюдения, классифицируется как таковой, и не они определяют входные переменные, которые помогли определить это решение. В отсутствие такой информации лицам, принимающим решения будут не в состоянии рационально продукции, производимой Н.Н. или использовать выход в поддержку решения. Из главных проблем является сложность в обобщении выход за пределы Н. данных, с которой он обучался (Беркитта, 1991; Коттрелл, Жирар, Жирар,

Для того чтобы ненулевых весов не влияют на конечный результат, во время тренировок, с помощью интервенций, Н. Н. производится в соответствии ненулевых весов несущественных переменных друг с другом, так что они компенсируют друг друга. Однако, когда обученный Н. используется на других наборов образец, методика может или не может производить ценности, которые компенсируют друг друга, что приводит к увеличению оценки ошибок и снижение надежности работы ..

Последние исследования пытались преодолеть ограничения обобщения в NNS прямого распространения путем устранения веса, близких к нулю (Баум

В данной статье мы рассматриваем некоторые вопросы, которые ограничивают производительность и Н. Н. приемлемости и предложить способ их преодоления с акцентом на совершенствование учебной сети, выявления переменных, которые способствуют конкретных результатов, нахождение скупой модели и улучшение Н. обобщения. Мы предлагаем изменение генетического алгоритма (МГА) подход к использованию во время подготовки Н.Н., который помогает в решении многих из этих вопросов (Секстон

В следующем разделе мы рассмотрим методологические вопросы, связанные с Н. Н., описать процедуру MGA использоваться в данном исследовании. В третьем разделе мы проиллюстрируем финансовые проблемы со здоровьем и данных, используемых для оценки финансового здоровья. В течение последних двух разделах мы обсудим результаты и предложить выводы.

Нейронные сети: спецификацию модели ВОПРОСЫ

Для лиц, принимающих решения, Н. Н. станет ценным инструментом поддержки, если после тренировки, он выполняет с той же точностью, что она выставлена в процессе обучения (Беркитта, 1991; Коттрелл и др.. 1993; Друкер

При поиске решения, градиент алгоритм поиска переходит от одного решения в другое, пока не найдет оптимальное решение местных, который выбирается по пути наискорейшего спуска на текущий долине ошибки поверхности, которая может быть локальным долины. Часто исследователь может заставить Н. сходится к местным решения. Такой подход был бы вполне приемлемым решением проблемы является простым, и только несколько приемлемых решений. Даже для простых функций, ошибка поверхности модели Н.Н. могут быть довольно сложными, с множеством решений. В этих условиях, применяя единое решение, которое конвергентных или был вынужден сходятся локально было бы неуместным. Таким образом, для сложных проблем, сеть должна делать полный перебор пространства параметров прежде чем он сможет определить глобальное оптимальное решение. Исследователь должен перезапустить процесс поиска в соответствующих местах, пока система идентифицирует глобального решения. Тем не менее, неопределенность в отношении обоих пунктов и решения сохраняется. Следовательно, решение и отношений, которые были найдены соответствующие ходе подготовки не может занимать, когда обученный Н. применяется к другим данным, подрывая обобщения Н.Н. ..

Градиент алгоритмы поиска также привести к переполнению (также известный как "сила вписывается"), что обусловлено дополнительным и ненужным весом использоваться в процессе обучения к карте конкретные моменты в подготовке данных. Когда подготовку Н. слишком много параметров, она заставляет данные решения вместо того чтобы учиться основных структур данных, связанных с решением. Хотя силы фитинг полезную роль в повышении точности в процессе обучения, это наносит ущерб применительно к данным, которые не похожи на подготовку данных. С Н. Н. не в полной мере изучить основные модели данных во время тренировки, его способности различать данные модели из новых данных вызывает сомнения, раз подрывает обобщения.

Overfitting является важным вопросом для исследователей, поскольку они должны обеспечить баланс между поиском подходящих образцов за счет увеличения числа параметров, и поиск скупой модели за счет исключения ненужных параметров. В рамках традиционной статистической литературе, несколько тестов можно определить соответствующие параметры и найти экономный модели. Эти тесты обычно сравнить модели с несколькими параметрами и выше значение целевой функции для второй модели с меньшим числом параметров. Новый параметр включен, только если она показана статистически улучшить значение целевой функции. Подобные тесты не доступных в использовании NN. Таким образом, во многих исследованиях Н. Н. адаптировали традиционные статистические тесты для выявления оптимальной архитектуры для NNS. Например, в ряде исследований использовались методы градиента, чтобы некоторые связи весов, чтобы затухнуть до нуля (Баум

Однако такой подход не улучшить обобщения тоже. Эти веса были выбраны потому, что во время ликвидации, они были очень низкие результаты. Кроме того, акцентируя внимание на отдельных весов, этот подход игнорирует комбинированное воздействие нескольких весов. Более точная подход удалить активный веса или скрытые узлы, а затем оценить влияние на общее решение. Такой подход был бы похож на традиционных параметрических статистических методов, в которых модель reestimated и общее воздействие переменной проверяется каждая переменная удаляется. При таком подходе в качестве весов удаляются, переподготовку сети с использованием новой архитектуры для получения нового глобального решения, которое впоследствии по сравнению с предыдущими решениями для улучшения учебной сети. Этот метод очень много времени и будет противоречить юзабилити Н.Н.. Это исследование, при использовании MGA подготовки Н.Н., Вы также узнаете, многие из этих вопросов ..

ОБНОВЛЕНО генетического алгоритма (МГА)

Прежде чем приступить к обсуждению процедуры MGA, используемых в данной работе мы кратко опишем генетического алгоритма (ГА) процедуры. ГА является глобальным методом поиска, которая ищет из одной популяции решений на другой, сравнивая вновь созданные решения к лучшим решением, полученным ранее от поиска. Он хорошо работает при нахождении решений для функций со сложной нелинейной связи (Дорси, Джонсон,

Хотя Г.А. можно заменить прямого распространения в NNS, как предыдущие доклады, научные исследования, по сравнению с другими методами обучения градиент, не было образцовым в оптимизации производительности сети (Шаффер и др.., 1992). Было показано, что недостатков в работе Г. А. можно было бы связать с несколькими вопросами реализации (Секстон, Дорси,

Цель Функция

Целевая функция обычно используется в исследованиях Н. Н. является квадратичной функции потерь (также называется сумма квадратов ошибки [SSE] или корневой средний квадрат ошибки [СКО]). Исследователи выбрать квадратичную функцию, потому что он ведет себя хорошо, дифференцируема, и позволяет использовать производные полезным для оптимизации. С А. не ограничивается производных целевой функции может быть изменено, чтобы наказание за ненужный вес. Таким образом, это исследование изменение целевой функции так, что цель уменьшается функции ошибки уменьшается, а в качестве весов устранены. Изменение целевой функции не является гладкой функцией и может быть нерегулярным, когда веса добавлены или удалены. Уравнение (1) показывает изменение целевой функции, используемые в данном исследовании.

Число экземпляров в набор данных, N, O является наблюдаемое значение зависимой переменной, O является оценкой Н. Н., С-число ненулевых весов в сетевое решение. В основном, целевая функция SSE с дополнительного наказания для каждой ненулевой вес, равный текущей СКО. Наказание в основном средняя ошибка по одному экземпляру для набора данных. Наказание должно быть установлено правильно. Например, если он установлен слишком высоко, сети, вместо поиска оптимального веса, будет преждевременно ликвидировать необходимые соединения, а также в результате структура, которая определила, в то время появляются скупой, не может предсказать, хорошо. Наоборот, если наказание значение слишком мало, несколько ненужных весов останутся в окончательном решении, а также подготовку Н. Н. не может предсказать, а при применении с другими данными, что приводит к уменьшению обобщения. Функции цели был выбран только методом проб и ошибок, и, хотя он работал также для задачи, используемые в данном исследовании, не предлагается в качестве оптимальной целевой функции. Будущие исследования должны изучить этот вопрос дальнейшего уточнения целевой функции и определить оптимальные наказание за ненулевых весов.

Mutation2

Наряду с изменением целевой функции, важно также, чтобы найти способ автоматически ввести нулевой вес в решения, чтобы определить имеет значения веса. Это было достигнуто путем дополнительной операции MGA (mutation2). Когда вновь созданные решения оценивается, mutation2 гарантирует, что каждый весом в новом решение было малую вероятность быть заменены жесткий нулю. Вероятность мутации (MUTP) вычисляется следующим образом: MUTP = 0,5 ^ (1/KWT), где KWT является текущее количество входных весов в рамках единого решения (учтите, что MGA поиск только для ввода веса, в результате чего выход веса, который будет определен обычным методом наименьших квадратов [МНК]). Поскольку вероятность того, исходя из числа текущего веса входных, так как количество скрытых увеличение узлов, вероятность замены отдельных вес в поколение падает. В дополнение к MUTP для каждого вес в новые решения, случайное число в диапазоне (0,1) также генерируется. Если это случайное число превышает MUTP, что вес заменяется жесткий нулю. Во всех других случаях, вес остается неизменным. Пусть Есть 12 решений в настоящее время численность населения. Вполне вероятно, что для одного из этих 12 решений, одна из его веса будут заменены на жестком нулю в каждом поколении обучения.

После замены вес, MGA начнется процесс оценки снова, это новое поколение решений. На данном этапе, она узнает, будет ли решение, которое ее вещественных вес заменить жесткий нулю работает хорошо, по сравнению с другими 11 решений. Если он выполняет хорошо, шансы на решение данной перекраиваются в следующем поколении увеличивается, и если он выполняет плохо, вероятно, будет устранена в будущих поколениях (выживание наиболее приспособленных). Весь процесс повторяется, пока пользователь не-определенное количество поколений не будет исчерпан. Таким образом, процедура поиска глобального решения и оптимальной структуры ..

Изменение целевой функции и mutation2 помочь как поиск модели экономного и обобщения нейронной сети. Как уже говорилось выше, в большинстве NNS, в процессе обучения на данных, ненужного веса вынуждены отменить друг с другом из-за градиента требование алгоритм, что все они должны быть отличны от нуля. Это может привести хорошо подготовленных Н. с низким уровнем ошибок. Однако при этом подготовку Н. в дальнейшем используется в новый набор данных, веса не исключают друг друга, и их эффективности и применимости к данным, которые отличаются от подготовки данных становится сомнительным. Вне зависимости от используемого метода поиска, Н. Н. хорошо при использовании только веса, которые действительно актуальны в производстве оценки. В процессе обучения нейронной сети популярных архитектур, таких как прямого распространения производить значения веса, что существенно компенсируют друг друга. При этом, эти подготовку сетей стало меньше эффективной применительно к данным, которая отличается от подготовки данных, иными словами, они теряют свои обобщения, потому что вес не исключают друг друга, а вместо этого ввести дополнительные погрешности в оценках. MGA, используемые в данном исследовании не страдает от этого ограничения. Вместо поиска ненужных комбинаций веса, которые компенсируют друг друга в процессе обучения, это просто нули их.

За время обучения, MGA определяет несущественных переменных в модели за счет устранения ненужных веса. Если все веса для определенного ввода оказываются ненужными (или обнуляется), вход был найден не имеет никакого отношения в модели NN. Поскольку эти несущественных переменных удаляются таким образом, они уже не могут представить ошибки в выходной, тем самым повышая надежность обученной сети при применении к новым данным ..

Выбор скрытые узлы и выбор наилучшего решения

Один из вопросов, связанных с Н. Н. подготовки перетренированности, которая возникает при наличии слишком большого числа скрытых узлов и связей в структуре сети, и, когда обучение длится дольше разумного предела. Поэтому важно выбрать оптимальное количество скрытых узлов. Для определения этого для каждой модели мы использовали следующие автоматические процедуры: Мы начали каждого учебного Н. Н., используя MGA описано ранее, с 1 скрытый узел, а затем подготовка его для будущих поколений MAXGEN. Для этого исследования MAXGEN был установлен в 100 поколений в течение скрытый процесс поиска узла. После MAXGEN было достигнуто, то лучшим решением на тот момент был сохранен в качестве наилучшего решения, а также дополнительные скрытые узел был включен в архитектуре NN. На данный момент, все решения в новом поколении были настроены на самое лучшее решение, оставив дополнительных весов, которые были добавлены с новой скрытый узел установлен жесткий нулю. Таким образом, дополнительные улучшения в ошибке не от потери информации в ходе предыдущего цикла подготовки. Кроме того, любые дополнительные структуры сложности было произведено только тогда, когда в исходный процесс мутации, нулевой вес был заменен случайной величины, что при оценке, снизил значение целевой функции.

По окончании этого обучения, наилучшим решением для этой архитектуры было по сравнению с BEST решения с использованием значение целевой функции для сравнения. Если это решение лучше, чем самое лучшее решение, и тогда выбрали в качестве наилучшего решения и сохранить для будущих оценок. Этот процесс был продолжен, пока не было скрытых узлов того, что не удалось найти решение лучше, чем самое лучшее решение. Когда это произошло, модель Н. с решением BEST и соответствующая архитектура обучался с 1000 дополнительных поколений, которые завершили процесс обучения ..

ФИНАНСОВЫЕ РЕШЕНИЯ ЗДРАВООХРАНЕНИЯ

Цель данного исследования заключается в проверке, насколько хорошо подготовленных MGA Н. выступает в реальной ситуации. Реальной ситуации является оценка финансового состояния банка, а также данные финансовые показатели группы здоровых и обанкротившихся банков. Оценка финансового состояния очень важно, потому что ее воздействие на различные группы: акционеры хотят знать о финансовом положении фирмы, в которой они инвестируют. сотрудников банка кредита оценки финансового здоровья регулярно во время обработки кредитных заявок и мониторинга кредитов клиентов. Регулирующие органы, такие как комиссия по ценным бумагам и биржам (SEC) и федеральным регулированием банковской деятельности, в рамках процесса мониторинга, регулярно проводить оценку финансового состояния этих учреждений, наблюдая за плохую работу и рекомендовать меры по улучшению финансового положения. Аудиторы оценки финансового состояния клиентов аудит, прежде чем высказать свое мнение по дальнейшей жизнеспособности или "единицы" статус клиента (Dilla, файлов, Соломон,

Финансовых решений, оценка здоровья, имеет далеко идущие последствия, и должны проводиться с особой тщательностью. Например, если аудиторы вопрос аудиторское заключение, что говорится, что клиент будет по-прежнему должны быть жизнеспособными и клиент не сразу после этого на акционеров компании и кредиторы могут подать в суд на аудитора. С другой стороны, если аудиторы ненадлежащим вопросу мнение выразил сомнения относительно финансовой состоятельности клиента, по мнению, могут дестабилизировать фирмы и в конечном счете может привести к его краху, вызывая значительные потери для акционеров и кредиторов (Палмроуз, 1987, 1988).

Далеко идущие последствия финансового оценки здоровья является одним из причин, почему исследователи продолжают строить финансовые модели бедствия и экспериментировать с методами, которые улучшают прогноз (Altman, 1968; Барр

Это значительный вклад, поскольку аудиторы, кредитные офицеры, а также другие эксперты человека, как правило, неудобно принимать выходы из методов, которые не позволяют им рационализировать прогнозов. Когда поддержки принятия решений, методика определяет соответствующие переменные, связанные с решением ситуации (например, здоровый или не), специалисты чувствуют себя более комфортно принимать предсказания или классификации, и они могут более осознанно интерпретировать результаты и формы их решения. Если техника была также показана работать надежно вне выборки, ее приемлемость в качестве инструмента поддержки принятия решений будет расти соответственно. Это исследование не предполагает, что MGA подготовленных Н. бы заменить суждение человека, он демонстрирует только то, что MGA подготовленных Н. могут обеспечить надежной поддержки принятия решений. Например, в ходе проверки ситуации, если MGA / NN определяет, что банки с определенными финансовыми атрибуты не удается, аудитор может использовать эту информацию в качестве предупреждения, а затем могут решить, является ли ситуация требует расширения сферы охвата ревизий и аудита ..

DATA, эксперимента, и результаты

Банковские финансовые данные соотношения, используемые в данном исследовании были получены из большой четверки бухгалтерского учета фирмы. Первоначальный набор данных охватывает 3 лет, 1986 по 1988 год, и составил финансовых данных соотношение 1139 банков из всех регионов США. Первоначальный набор данных состоит из 991 здоровых банков и 148 обанкротившихся банков. Определение "банка-банкрота", основан на Федеральной корпорации страхования депозитов (FDIC) классификацию недостаточности: помощь слияний и ликвидируемых банков (FDIC статистике по банковскому делу, 1992). FDIC взяла на себя операции 148 обанкротившихся банков в 1989 году, поэтому мы использовали 1986 лет, 1987 и 1988 представляют три года, два года и один год до отказа для этих 148 банков.

Исходные данные для каждого банка включены широкого набора 57 финансовых показателей, связанных с финансовым здоровьем банков. Две переменные из исходного образца, процентные расходы по депозитам и нестабильности, были исключены из окончательного образца, поскольку данные не были доступны для всех 3 лет. Кроме того, мы исключили из анализа банка, если данные на одном или нескольких переменных пропали без вести. Таким образом, окончательный образец за 1988 год было 941 здоровых и 137 обанкротившихся банков; за 1987 год, 944 и 135 здоровых обанкротившихся банков, а в 1986 году, 968 и 139 здоровых обанкротившихся банков. Хотя были незначительные изменения в ряд банков использоваться в течение каждого из трех лет, и тот же набор банков по сравнению свыше 3-летний период. С помощью этого окончательного образца, 30 различных наборов данных были построены, которые отличаются в сочетании замечания или экземпляров включить в программу подготовки и тестирования проб. Опорные выборка состояла из 192 здоровых и 23 обанкротившихся банков, для каждого из 3 лет. Он был использован для обеспечения того, чтобы конкретные договоренности данных не влияет на результаты.

В качестве первого шага, процедура MGA использовался для обучения Н. Н. по каждому из 30 наборов данных. Тренинг начался после настройки параметров до значений, рекомендованных Дорси и Майер (1995) и Секстон, Дорси, и Джонсон (1998), в том числе и после дополнительных модификаций. После обучения, производительность сети (в зависимости от коэффициента ошибок) была по сравнению с эталоном NN-категорическое сети обучения или CATLRN, выявленные в ходе предыдущих исследований в качестве надежного исполнителя (см. Этеридж и Sriram, 1997). В конце обучения, 30 Н. Н. модели были доступны для сравнения с моделью CATLRN. Сравнение проводилось между средней частотой появления ошибок для всех 30 моделей Н. Н. подготовку в порядке, MGA с лучшими ошибка темпы CATLRN, по обеим оценкам общее количество ошибок (EOER) и типа я и II типа ошибки номера для каждого из 3 лет до банкротства. Результаты представлены в таблице 1. Для краткости, только ошибка цены на среднем значении всех 30 моделей Н.Н. и CATLRN сообщается. Как и другие исследования, заявили о банкротстве, соответствующие изменения переменных, как компания становится ближе к провалу, и более поздние значения входных переменных прогнозировать финансовые здоровья лучше, чем прошлым значениям.

В реальном мире, при оценке финансового благополучия, принимающие решения, не учитывать затраты типа я ошибки и ошибки типа II должны быть равны. Как последних исследований указывают, принимающих решения зрения неправильно классификации обанкротившаяся фирма, как здоровый (тип ошибки I) будет намного серьезнее, чем неправильно классифицировать здоровых фирмы, как не удалось (тип ошибки II) (Альтман, Холдеман,

Сравнение средних относительных затрат на производительность, показывает, что MGA превосходит CATLRN для всех трех лет с меньшей относительной ошибочной классификации расходов. Соотношении 1:1 стоимость включена только возможность сравнению с предыдущими исследованиями.

Результаты представлены в таблице 1 и таблице 2, могут страдать от одного из возможных ограничений: перетренированности. Как отмечалось ранее, перенапряжение возникает, когда Есть слишком много скрытых узлов и соединений в сети структуры, и, если обучение длится дольше разумного предела. MGA процедуры, используемые в данной работе помогает в выборе оптимальной структуры с точки зрения числа скрытых узлов, активных соединений (ненулевой вес), а также входных переменных, поэтому, перенапряжение не должно быть проблемой. Мы хотели бы быть уверены, что сетевая структура, получаемого за счет процедуры MGA был нечувствителен к перетренированности. Поскольку средний подготовки для всех 30 сетей состоял только 1850 поколений, мы выбрали один из 30 моделей, которые имеют большее количество скрытых узлов и весов по сравнению с другими 29 моделей, и подверг его дальнейшего обучения. Среднее число скрытых узлов, а среднее число ненулевых весов для 30 моделей 8,4 и 56,2, соответственно. Мы выбрали модель 23 с 12 скрытых узлов и весов 72 нуля. Мы изначально обученной модели 2200 для 23 поколений: 100 поколений, для каждого узла и скрытые окончательного 1000 поколений, чтобы она сходится к решению. Таблица 3 представлены результаты и сравнивает их с эталоном CATLRN ..

В течение трех лет, тип I, тип II, по оценкам, общие темпы ошибку, и среднее значение относительной стоимости, модель MGA превысил 23 модели CATLRN. Только в 1988 году, модель 23 была несколько выше, типа я ошибка темпами, чем CATLRN. То есть, после 2200 поколений, модель MGA 23 проводится более чем удовлетворительно. Чтобы получить уверенность, что эта модель не может быть перетренированы, мы подготовили для модели 23 дополнительных 100 тысяч поколений. В таблице 4 представлены результаты. В годы 1986-1988, за ошибки типа II, по оценкам, общие темпы ошибку, и среднее значение относительной стоимости, за обширную подготовку MGA модель 23, количество ошибок уменьшается или остались прежними. Тем не менее, я типа ошибка 1986 была несколько выше (неправильная классификация один дополнительный тип I) на обширную подготовку модели 23.

Мы также сравнили сумма квадратов ошибок минимально обученный модели 23 на обширную подготовку модели 23. Это сравнение показывает изменения в МП, как подготовка кадров продолжается. Если МП для тестирования набора возросла после повышения квалификации, это будет означать стресс перетренированности, если он снизился или остался неизменным, он хотел бы предложить никакого влияния из-за перетренированности. МП для минимально обученный модели 23 был 115,43 в процессе обучения и 26,33 во время тестирования. МП на обширную подготовку модели были 23 111,89 в процессе обучения и 22,54 во время тестирования, показывают, что модель 23, не страдают от стресса перетренированности.

Основной целью данного исследования является показать, что MGA подготовленных Н. можете определить соответствующие переменные финансовую модель здравоохранения. Наряду с процедурой, MGA, мы использовали анализ чувствительности 30 моделей для определения переменных, которые способствовали к финансовому оздоровлению. Один подход можно было бы принять, является выбор конкретной модели, например, модель 23-исключить все ненужные переменные из нее, и указывают на вклад остальные переменные. Хотя такой подход является экономически эффективным, он страдает от определенных ограничений. Многие из соотношения переменные, используемые в настоящем исследовании, взяты из дополнительную информацию и способен сигнализировать финансового здоровья в той или иной степени. Допустим, мы выбираем две модели Н. Н., 1 и 2, в зависимости от исходной случайной отправной точкой и состав набора данных. Модель 1 мая определить набор различных соотношений переменных, чем модель 2. Например, модель 1 мая выбрать рентабельность собственного капитала, а модель 2 мая выбрать рентабельность активов. И рентабельность собственного капитала и активов использования доходов в числителе. Обе модели 1 и 2 мая предсказать, одинаково хорошо. Таким образом, с использованием всех 30 моделей на основе анализа и выполнения проверка чувствительности по всем из них имеет смысл и дает нам большую уверенность в чувствительности переменных ..

Для проведения анализа чувствительности, мы впервые разработали тест данных, используя следующие критерии. Для каждого банка из образца (в том числе профессиональной подготовки и опорные образцы), мы вычислили максимальные, минимальные и средние значения каждого из 55 входных переменных. Затем мы создали два экземпляра или замечания по каждой из переменных. Например, первый экземпляр, содержащийся своего минимального значения в качестве входного значения, а остальные 54 входных значений, содержащихся их средние значения. Второй экземпляр для переменной 1, содержащиеся своего максимального значения в качестве входного значения, а остальные 54 входных значений, содержащихся их средние значения. Таким образом, когда мы запускаем эти два наблюдения через обученной сети, то разница между 2 прогнозов будет чистый эффект от этой переменной, поскольку ее значение меняется от минимального до максимального, что все остальные входных значений, то же самое. Это было сделано для всех 55 переменных. Путем тестирования этих наборов данных о 30 NNS подготовку, мы старались соблюдать вклад и направление каждой входной переменной, как он изменился из самого низкого до самого высокого значения. Хотя подготовка 30 NNS предсказал аналогично, их структура отличается. В таблице 5 приводится описательная информация о структурах и производительность 30 моделей Н. ..

Анализ чувствительности показал также, что некоторые из соотношения переменных возможность указания финансового благополучия. В таблице 6 перечислены 55 переменных и их вклад в среднем прогнозирования, в порядке вклада, игнорируя знак. Они классифицируются как существенный вклад (0,35>), умеренные Авторы (0,15 к

Таблица 6 показывает, что некоторые соотношения переменных были более чувствительны в прогнозировании финансовых здоровья, чем другие. Знаки для этих переменных были либо положительным или отрицательным. Положительный знак означает, что увеличение значения переменной связано с здорового финансового состояния, в то время как отрицательный знак означает, что увеличение значения переменной связано с состоянию здоровья состоянии. Существовали некоторые переменные, в которых вклад был положительным или отрицательным, в зависимости от Н.Н. была выбрана модель. Тем не менее, по сравнению, либо средний положительный или отрицательный вклад среднем доминировала. Например, в случае переменной LARDPAST ее средний отрицательный вклад в течение 30 моделей Н.Н. -. 6543, а ее средний положительный вклад 0,0063.

Три переменных в разделе существенный вклад, COMTDEPS, COREDEPS, и финансирования, положительные признаки, что указывает на увеличение стоимости этих переменных показывает, улучшения финансового здоровья, указав, что банк с более высокими значениями для этих трех переменных, скорее всего, будет классифицируются как здоровый. 3 отношения относятся к операционной деятельности банка. Семь переменных имеет значительные отрицательные ассоциации с финансовыми показателями. Три из них связаны с переменными качества кредитов (NPASST, NLNSASST и INSIDRS). Два связаны с доходов качества (OEOPINC и OVHROPIN). Остальные две переменные, OTHREAST и LARDPAST, относятся к долгосрочный депозитный портфель Банка и Недвижимость в кредит. В 1980-е снижение цен на недвижимость было одной из основных причин тяжелого финансового положения банка. Эти результаты согласуются с результатами предыдущих исследований показали, что переменные, связанные с качеством кредитов, доходы качества, и обязательства, которые будут основными факторами, связанными с финансовым здоровьем банков (Этеридж

ВЫВОДЫ

Нейронной сети является полезным автоматизированной поддержки принятия решений, инструментом. Тем не менее, Н. Н. основными ограничениями являются отсутствие прозрачности в их прогнозирования и классификации, а также неспособность предоставить информацию по актуальным и несущественных переменных, связанных с конкретным результатом. Такое отсутствие прозрачности сократили привлекательность для поддержки принятия решений для экспертов, которые не смогли по рационализации производства или смысл рациональности за результаты. Кроме того, после тренировки, когда NNS были использованы на вне выборки данных, их надежности был гораздо ниже. Это подорвало значение подготовку, как Н. Н. обобщенным инструмент поддержки принятия решений.

В этом исследовании мы показали, что обучение НН изменение генетического алгоритма процедуры не только сделать процесс выхода поколения более прозрачным, но и усилил обобщения Н. к вне выборочных данных. Исследование показало, что это возможно для MGA подготовленных NNS для определения переменных, которые способствуют предсказания или классификации. В качестве дальнейшего совершенствования подготовки Н.Н., исследование также показало, что MGA был устойчив к Н. Н. перетренированности, продолжая выполнять надежно после длительного обучения. Исследование показало, все эти выводы использованием реальных финансовых данных, соотношение и в реальной жизни решение ситуации, оценки банка финансового благополучия. Для дальнейшего обоснования надежности процедуры MGA, в исследовании также сравнение его результатов с проверенной технике Н.Н., CATLRN. MGA подход не только в состоянии выполнить равно CATLRN, а во многих случаях превосходят MGA CATLRN.

В исследовании сформулированы следующие взносы: Н. Н. подготовки могут быть улучшены без ограничений перетренированности, это можно использовать MGA подготовленных Н. определить не только скупой модели, но и способствуют соответствующие переменные в модели, и MGA- Н. Н. подготовку более могут быть обобщены на вне-образец данных, чем часто используемые NNS. В совокупности эти улучшения могут улучшить приемлемость Н.Н., как подходящий инструмент для поддержки принятия решений, поощрение готовности человека лиц, принимающих решения, чтобы использовать выход, поскольку он служит основой для рационализации прогнозов и классификаций. На основе результатов Н.Н., человека экспертов более эффективного использования их опыта, интуиции и знаний, чтобы решить, должны ли они продолжить изучение вопроса, прежде чем принимать окончательное решение. [В редакцию: февраль 2002. Принято редколлегией: январь 2003.]

Ссылки

Альтман, Е. (1968). Финансовые показатели, дискриминантный анализ и прогноз корпоративного банкротства. Журнал Финанс, 25 (4), 589-609.

Альтман Е., Холдеман Р.,

Барр, Р. С.,

Баум, Е. Б.,

Бивер, В. (1966). Финансовые показатели в качестве предсказателей неудачи. Журнал учета исследований, 4, 71-111.

Белл, Т. Б., Рибара, Г. С.,

Белл, Т. Б.,

Boritz, J. Е.,

Брокетт, П. Л., Купер, В. В., Золотой, Л. Л.,

Беркитта, А. Н. (1991). Оптимизация архитектуры кормить вперед нейронных сетей со скрытыми слоями на единицу ликвидации. Сложные системы, 5, 371-380.

Пальто, П. К.,

Коттрелл, М., Жирар, B., Жирар, Ю.,

Дэвис, Л. (1991). Справочник генетических алгоритмов. Нью-Йорк: Райнхольд ИЛ.

Dilla, В. Н., файлов, Р. Г., Соломон, И.,

Dopuch, N., Holthausen, Р. В.,

Дорси, Р. Е. Джонсон, J. D.,

Дорси, Р. Е. Джонсон, J. D.,

Дорси, Р. Е.,

Дракер, H.,

Элам, Р. (1975). Влияние данных по аренде интеллектуального способность финансовых коэффициентов. Учет обзора, 50 (1), 25-43.

Этеридж, Х. Л.,

Этеридж, Х. Л.,

Этеридж, H., Sriram, Р. С.,

Фалман, С. Е.,

Фаннинг, К.,

FDIC статистике по банковскому делу. (1992). Washington, DC: Федеральная корпорация по страхованию вкладов, Отдел исследований и статистики.

Glorfeld, Л. В., Хардгрейв, B. C.,

Грэм, F. C.,

Хамер, М. (1983). Невыполнение прогноза: Чувствительность точности классификации альтернативных статистических методов и переменных множеств. Журнал учета и государственной политики, 2 (4), 289-307.

Холмстром, L.,

Hopwood, W., McKeown, J.,

Джонс, Ф. Л. (1987). Современные методы прогнозирования банкротства. Журнал учета литературы, 6, 131-164.

Kamimura, Р. (1993). Внутреннее представление с минимальной энтропии в периодических нейронных сетей: Сведение к минимуму энтропии через тормозных связей. Сеть вычислений в нейронных системах, 4, 423-440.

Кармин, Э. Д. (1990). Простая процедура обрезки обратного распространения подготовку сетей. IEEE Transactions на нейронных сетях, 1, 239-242.

Klersey, Г. F.,

Кох, Х. C. (1992). Чувствительности оптимальных точек отсечки к ошибочной классификации расходов типа я и ошибки типа II в допущения непрерывности деятельности прогнозирования контексте. Журнал Финанс Бизнес и бухгалтерия, 19 (2), 187-197.

Кох, Х. C.,

Кох, Х. C.,

Kruschke, J. К. (1989). Распределенные препятствий для улучшения обобщения обратного распространения сетей. Международный журнал по исследованию нейронных сетей и приложений, 1 (1), 187-193.

Lendaris, Г. Г.,

Лян, Т. П., Чандлер, J. С. Хан, И.,

Мартин, D. (1977). Раннее оповещение о банкротстве банка: логит регрессии подход. Журнал банковского дела и финансов, 1, 249-276.

Michalewicz, З. (1992). Генетические алгоритмы структур данных, программ = эволюции. Берлин: Springer.

Montagno Р., Секстон, Р. С.,

Монтана, D. J.,

Одом, М. Д.,

Олсон, J. (1980). Финансовые показатели и вероятностные предсказания банкротства. Журнал учета исследований, 18 (1), 109-131.

Палмроуз, З. (1987). Судебные разбирательства и независимых аудиторов: роль бизнеса сбоев и управления мошенничества. Аудит: журнал практикой и теорией, 6 (2), 90-103.

Палмроуз, З. (1988). Анализ судебных аудиторов и качества аудиторских услуг. Учет обзора, 63 (1), 55-73.

Паркер, J. Е.,

Романюк, С. Г. (1993). Обрезка разделяй и властвуй сетей. Сеть: вычислений в нейронных системах, 4, 481-494.

Шаффер, J. D., Уитли, Д.,

Секстон, Р. С., Alidaee, B., Дорси, Р. Е.,

Секстон, Р. С.,

Секстон, Р. С., Дорси, Р. Е.,

Секстон, Р. С., Дорси, Р. Е.,

Синки, J. F., младший (1975). Многомерного статистического анализа характеристик проблемных банков. Журнал Финанс, 30 (1), 21-36.

Там, К. Ю.,

Уилсон, Р. Л.,

Zmijewski, М. Е. (1984). Очерки по вопросам корпоративного банкротства. Докторская диссертация. Ann Arbor, MI: Университет Microfilms International, 1-54.

Рэндалл С. Секстон

Компьютерные информационные системы, Юго-Запад Государственном университете штата Миссури, 901 Саут Национальный, Springfield, MO 65804, адрес электронной почты: <a href="mailto:RandySexton@smsu.edu"> RandySexton@smsu.edu </ A>

Рам С. Sriram [кинжал]

Школа Бухгалтерия, Университет штата Джорджия, 35 Broad Street, Atlanta, GA 30303, адрес электронной почты: <a href="mailto:rsriram@gsu.edu"> rsriram@gsu.edu </ A>

Харлан Этеридж

Кафедра учета, Университет Юго-Западной Луизианы, PO Box 43450, Lafayette, LA 70504-3450, адрес электронной почты: <a href="mailto:Harlan@louisiana.edu"> Harlan@louisiana.edu </ A>

[Кинжал] корреспондент автора.

Рэндалл С. Секстон является адъюнкт-профессор компьютерных информационных систем в Юго-западном Государственном университете штата Миссури в Спрингфилде. Он получил докторскую степень в области управления информационными системами в Университете штата Миссисипи. Его исследовательские интересы лежат в методы искусственного интеллекта, оптимизации, генетические алгоритмы и нейронные сети. Он опубликовал работу в ряде журналов, в том числе Decision Sciences, Европейский журнал исследования операций, систем поддержки принятия решений, OMEGA, сообщает журнал по вычислительной и Журнал вычислительной разведки в области финансов.

Рам С. Sriram является профессором системы учета информации на Robinson Колледж бизнеса, Университет штата Джорджия в Атланте. Он специализируется в финансовых моделях бедствия и использование искусственного интеллекта и экспертных систем поддержки принятия решений в области бухгалтерского учета. Он является автором более 40 статей, которые появились в журналах, таких как менеджмент, Decision Sciences, журнал информационных систем, аудита, а также интеллектуальных систем в области бухгалтерского учета.

Харлан Этеридж является Главная Банк / BORSF профессор делового администрирования, доцент бухгалтерского учета в университете Луизианы в Лафайет. В настоящее время его научные интересы применения средств искусственного интеллекта для бухгалтерского учета и аудита решений и влияние ИТ на вопросы управления организациями. Д-р Этеридж опубликовал ранее в журналах, таких как решение наук, достижения в области информационных систем учета, Международный журнал интеллектуальных систем в области бухгалтерского учета, а также журнал учета литературы.