AI - анализ данных ВБрИР

На данной странице представлена программа на основе TensorFlow.JS, которая с применением Нейронной Сети анализирует данные Всемирного Банка Реконструкции и Развития о кредитах Бразилии, завершившихся в период с 1990 по 2000 годы, и запоминает модель кредитного поведения страны в этот период. Затем может предсказать : вернула ли бы страна в этот период или близкое время после него кредиты с заданными параметрами. Результаты отражают реальную статистику, например, много кредитов с 0% ставкой находятся в статусе не выплаченных полностью, тогда как кредиты с более высокой процентной ставкой по большей части выплачены. Видимо, беспроцентные кредиты были выданы в экстренных ситуациях в качестве финансовой помощи и затем долги по ним списывались или они не возвращались полностью по каким-то другим причинам. Нейронная сеть показывает соответствующую картину : вероятность возвращения кредитов с 0 процентной ставкой ниже, чем для кредитов с более высокой процентной ставкой. То есть : НС строит прогноз на реальных данных, а не на том, что легче отдать. С показателем текущих долгов страны на момент выдачи кредита - ситуация так же отражает реальную статистику : чем выше уровень долга, тем меньше вероятность возвращения кредита.

NNs Learning IBRD data (TF.JS)

Данные для нейронной сети нужно подготовить особым образом, чтобы она могла их эффективно обработать : нужно выбрать самые важные и отсеять те, которые не оказывают большого влияния на результат : размер процентной ставки в качестве параметров первой группы, и идентификационный номер займа в базе данных ВБРиР в качестве параметра второй группы - отсеять зёрна от плевел. Из важных параметров нужно выбрать те, которые не дублируют друг друга, например, из параметров : сумма кредита, возвращено ВБРиР и остаток долга ВБРиР - один из них вытекает из 2-х других и является их линейной комбинацией - нужно взять только 2, выражаясь языком алгебры : параметры должны быть линейно независимыми. Затем нужно нормаллизовать данные : перевести их в диапазон [0, 1] - для стабильности вычислений, так нейронной сети намного проще находить взаимосвязи между параметрами, чем когда вместе идёт обработка очень больших и очень маленьких чисел. И это полезно для практической реализации вычислений, так как в компьютере вещественные числа хранятся с фиксированной точностью и операции одновременно с очень большими и очень маленькими числами могут приводить к потере значимой информации. Затем нужно произвольно перемешать данные и выбрать из них множества для обучения ( примерно 80 - 85% данных ) и для тестирования обучения ( примерно 20 - 15% ) - чтобы не получилось так, что данные каким-то образом упорядочены и во множество для обучения попали данные только одного вида, а во множество для проверки обучения - только другого, + чтобы не было так, что на каждом этапе обучения НС получает целиком только данные одного типа - это уменьшает эффективность обучения, нужно чтобы нейронная сеть получала на каждом этапе произвольные данные из всего множества входящих данных. После данные готовы для обучения НС на них, нахождения взаимосвязей между параметрами и построения модели функции происходящего процесса, чтобы дальше можно было работать с такой моделью.

Нейронные сети находят взаимосвязи и закономерности между статистическими данными и затем на основе них могут строить прогнозы событий по входящим данным. Это можно применять в любых областях : от финансовых данных, до предсказания того : когда деталь станка выйдет из строя при определённых условиях использования. Или наоборот : под желаемый результат - найти параметры процесса, например, чтобы уменьшить энергозатраты при производстве деталей. Для этого можно применять различные методы анализа моделей функций, например, Генетические Алгоритмы, или обучить нейронную сеть обратной функции : находить значения параметров под желаемые значения результатов - тогда можно напрямую получать значения параметров без проведения комплексного анализа моделей функций процессов.

Published: 2 мес. назад, last edit: 2 мес. назад