Сочинение на тему Прогнозирование кредитоспособности с использованием нечеткой искусственной иммунной системы

1. Аннотация:

Искусственная иммунная система основана на естественной иммунной системе и имитирует механизм обучения и защиты организма. В последние годы его применение возросло во многих секторах, включая интеллектуальный анализ данных. В этой статье мы описываем нечеткий алгоритм AIS, применяемый для кредитного скоринга в банковском секторе. Он использует набор нечетких правил if..then, что делает алгоритм понятным для человека. Предполагается, что модель классификатора будет показывать более высокую точность и быть конкурентоспособной с другими классификаторами.

2. Введение

«Купи сейчас, заплати позже» – это очень популярное и заманчивое предложение, сделанное финансовыми и розничными фирмами, которое помогает им увеличить свою клиентскую базу. Однако необходимость доступа к риску, связанному с дефолтом, при котором клиент не может погасить кредит, должна быть понята как сторонами – кредитором, так и клиентом. Важно понимать кредитное обязательство и погашать задолженность к концу срока кредита. Таким образом, вопрос о том, кому предложить кредит и какую сумму составили наиболее заметные кредиторы риска, необходимые для оценки.

Способность кредитного рейтинга улучшать время и процесс принятия решений всегда была ключевым моментом и привлекала исследователей для оказания помощи как кредиторам, так и общественности. Этот риск был уменьшен с развитием технологий и использованием различных статистических методов и алгоритмов. Чем выше кредитный рейтинг, тем выгоднее для кредитора понять ценность клиента. Скоринг основан на прогнозном моделировании, которое оценивает вероятность невыполнения клиентом финансовых обязательств. Он анализирует данные клиента с другими данными, помогая нам предсказать вероятность, если клиент собирается по умолчанию или нет.

В прошлом традиционные статистические методы использовались для создания кредитного скоринга для банков и финансовых учреждений. С развитием технологий и концепций интеллектуального анализа данных в последние десятилетия, новые и различные передовые алгоритмы анализа данных были применены к проблеме кредитного скоринга, которая является более надежной и эффективной, чем традиционные методы. Было множество методов, включая параметрические статистические методы, такие как логистическая регрессия, непараметрические методы, такие как деревья решений и k-ближайшие соседи, и вычислительные подходы, такие как искусственные нейронные сети (ANN). Передовые гибридные методы, такие как генетическое программирование и нечеткие алгоритмы, также применялись для прогнозирования кредитного скоринга для клиента.

Логистическая регрессия была одним из самых популярных инструментов для задач классификации. Наряду с пригодностью для различных видов распределения, для повышения его точности и уменьшения частоты ошибок, несколько методов были объединены с общей логистической моделью. ИНС были следующими наиболее популярными инструментами, которые по своей точности превосходили другие традиционные методы, особенно связанные с нелинейными методами. Они были разработаны для копирования нейрофизиологии человеческого разума в нелинейную регрессионную модель.

Fuzzy Logic предоставляет математический инструмент для интерпретации и манипулирования информацией так, как она напоминает процессы человеческого общения и рассуждения. Для анализа данных используется нечеткая логика, а не обычная логическая логика. Генетическое программирование извлекает интеллектуальные отношения в системе и может рассматриваться как древовидная структура с правилами if..then.

Недавнее и продолжающееся исследование искусственной иммунной системы (АИС), основанной на естественных иммунных системах. Это адаптивная система, вдохновленная человеческой иммунологией и наблюдаемыми функциями и принципами и, следовательно, применяемая для решения проблем и прогнозного анализа. Мы предлагаем модель с использованием AIS в сочетании с нечеткой логикой для прогнозирования кредитного скоринга для банков и финансовых учреждений.

3. Обзор литературы

В прошлом были разработаны различные методы кредитного скоринга. Однако с помощью современных алгоритмов и методов интеллектуального анализа данных используемая модель постоянно обновлялась для получения более точных и точных результатов. Исторически один из общепринятых статистических методов логистической регрессии использовался в основном для задач классификации [1]. Наряду с пригодностью для различных видов распределения, для повышения точности и уменьшения частоты ошибок несколько методов были объединены с общей логистической моделью. Обобщенная модель логистической регрессии является общим видом бинарной логистической модели и модели полиномиальной логистической регрессии [1]. Уравнение для модели полиномиальной логистической регрессии имеет вид

Где x – это объяснительные уравнения, а Y – переменная отклика, а (p + 1) – вектор коэффициентов регрессии для j-й переменной.

Однако, когда речь шла о нелинейных данных, их точность была снижена, и ANN было предложено их преодолеть.

Модель искусственной нейронной сети представляла собой три слоя – входной, скрытый и выходной. Входной слой обрабатывает входные объекты в скрытом слое, который, в свою очередь, рассчитывает адекватные веса, используя передаточную функцию и, следовательно, отправляя ее на выходной слой. Объединение многих нейронов в взаимосвязанную систему помогает обнаруживать нелинейные отношения в данных. Он отражает более высокую точность по сравнению с традиционными статистическими методами и логистической регрессией. Трехслойный персептрон может быть изображен так, как показано на рисунке 1 [1].

Рисунок: 1

Однако их критиковали за плохую работу с небольшими данными или несоответствующими атрибутами. Несмотря на то, что было предложено много методов для борьбы с ней, она усложнила модель и вызвала ограничения из-за длительного процесса обучения.

Нечеткая система представляет и манипулирует данными, которые напоминают человеческое мышление и общение. Нечеткие переменные характеризуются тегом name, набором нечетких значений и функцией членства, которая присваивает значение членства, метку реальному значению в предварительно определенном диапазоне. Его структура включает в себя четыре основных компонента – фаззайзер, который переводит четкие значения в нечеткие значения; интерференционный двигатель, который применяет механизм нечеткого рассуждения для получения нечеткого вывода; дефаззификатор, который переводится в четкую ценность и базу знаний, которая содержит базу правил и исходную базу данных [2]. Это изображено как на рисунке 2.

Рисунок 2

Искусственная иммунная система (АИС) – один из новейших методов, применяемых для кредитного скоринга. Он основан на моделях естественной иммунной системы. Для решения проблем он следует теоретическим и наблюдаемым иммунным функциям, принципам и моделям. Он принимает некоторые ключевые концепции, такие как отбор клонов, мутация и мера сродства. AIS наряду с нечеткой логикой имеют большие преимущества в отношении управления неопределенностью и неопределенностью и предоставляют правила, легко интерпретируемые пользователями [3].

4. Решение

Мы предлагаем алгоритм, основанный на принципе клонального отбора, который используется для объяснения основных свойств адаптивной иммунной системы антигенам. Основная идея заключается в том, что те В-клетки, которые идентифицируют антигены, отбираются для роста. В этой модели не проводится никакого различия между B-клетками и рецептором, поэтому каждая клетка называется B-клеткой.

Алгоритм использует большую популяцию B-клеток. Каждая В-клетка доживает до определенного возраста и представляет правило, которое закодировано в виде строки, как обсуждалось ранее.