Нейронные сети как средство добычи данных

Иногда возникает задача анализа данных, которые с трудом можно представить в математической числовой форме. Это случай, когда нужно извлечь данные, принципы отбора которых заданы нечетко: выделить надежных партнеров, определить перспективный товар и т.п. Рассмотрим типичную для задач подобного рода ситуацию - предсказание бан­кротств. Предположим, что у нас есть информация о деятельности не­скольких десятков банков (их открытая финансовая отчетность) за неко­торый период времени. По окончании этого периода мы знаем, какие из этих банков обанкротились, у каких отозвали лицензию, а какие продол­жают стабильно работать (на момент окончания периода). И теперь нам необходимо решить вопрос, в каком из банков стоит размешать средства. Естественно, маловероятно, что мы хотим разместить средства в банке, который может скоро обанкротиться. Значит, нам надо каким-то образом решить задачу анализа рисков вложений в различные коммерческие структуры.

На первый взгляд, решить эту проблему несложно - ведь у нас есть дан­ные о работе банков и результатах их деятельности. Но, на самом деле, эта задача не так проста. Возникает проблема, связанная с тем, что имеюшиеся у нас данные описывают прошедший период, а нас интересует то, что будет в дальнейшем. Таким образом, нам надо на основании имеющихся у нас апри­орных данных получить прогноз на дальнейший период. Для решения этой задачи можно использовать различные методы.

Так, наиболее очевидным является применение методов математической статистики. Но тут возникает проблема с количеством данных, ибо стати­стические методы хорошо работают при большом объеме априорных дан­ных, а у нас может быть ограниченное их количество. При этом статистиче­ские методы не могут гарантировать успешный результат.

Другим путем решения этой задачи может быть применение нейронных

сетей, которые можно обучить на имеющемся наборе данных. В этом случае в качестве исходной информа­ции используются данные финансо­вых отчетов различных банков, а в качестве целевого поля - итог их деятельности.

Но при использовании описанных выше методов мы навязываем резуль­тат, не пытаясь найти закономерности в исходных данных. В принципе, все обанкротившиеся банки похожи друг на друга хотя бы тем, что они обан­кротились. Значит, в их деятельности должно быть что-то более общее, что привело их к этому итогу, и можно попытаться найти эти закономерности с тем, чтобы использовать их в дальнейшем. И тут перед нами возникает во­прос о том, как найти эти закономерности. Для этого, если мы будем ис­пользовать методы статистики, нам надо определить, какие критерии «по­хожести» нам использовать, что может потребовать от нас каких-либо до­полнительных знаний о характере задачи.

Однако существует метод, позволяющий автоматизировать все эти дей­ствия по поиску закономерностей - метод анализа с использованием са­моорганизующихся карт Кохонена. Рассмотрим, как решаются такие зада­чи и как карты Кохонена находят закономерности в исходных данных. Для общности рассмотрения будем использовать термин объект (например, объектом может быть банк, как в рассмотренном выше примере, но описы­ваемая методика без изменений подходит для решения и других задач, ­например, анализа кредитоспособности клиента, поиска оптимальной стра­тегии поведения на рынке и т.д.). Каждый объект характеризуется набором различных параметров, которые описывают его состояние. Например, для нашего примера параметрами будут данные из финансовых отчетов. Эти параметры часто имеют числовую форму или могут быть приведены к ней. Таким образом, нам надо на основании анализа параметров объектов выде­лить схожие объекты и представить результат в форме, удобной для вос­приятия.

Все эти задачи решаются самоорганизующимися картами Кохонена. Рас­смотрим подробнее, как они работают. Для упрощения рассмотрения будем считать, что объекты имеют 3 признака (на самом деле их может быть любое количество).

Теперь представим, что все эти три параметра объектов представляют собой их координаты в трехмерном пространстве (в том самом простран­стве, которое окружает нас в повседневной жиз­ни). Тогда каждый объект можно представить в виде точки в этом пространстве, что мы и сделаем (чтобы у нас не было проблем с различным мас­штабом по осям, пронумеруем все эти признаки в интервал [0,1] любым подходящим способом), в результате чего все точки попадут в куб единичного размера рис. 13.9. Отобразим эти точки.

Взглянув на этот рисунок, мы можем увидеть, как расположены объекты в пространстве, причем легко заметить участки, где объекты группируются, Т.е. у них схожи параметры, значит и сами эти объек­ты, скорее всего, принадлежат одной группе. Нам надо найти способ, которым можно преобразовать данную систему в простую для восприятия, желательно двумерную систему (потому что уже трехмерную картинку невозможно кор­ректно отобразить на плоскости) так, чтобы соседние в искомом пространстве

объекты оказались рядом и на полученной картинке. Для этого используем самоорганизующуюся карту Кохонена. В первом приближении ее можно представить в виде сети, изготовленной из резины рис. 13.10.

Мы, предварительно «скомкав», бросаем эту сеть в пространство при­знаков, где у нас уже имеются объекты, и далее поступаем следующим образом: берем. Один объект (точку в этом пространстве) и находим бли­жайший к нему узел сети. После этого этот узел подтягивается к объекту (т.к. сетка «резиновая», то вместе с этим узлом так же, но с меньшей си­лой подтягиваются и соседние уз­лы). Затем выбирается другой объ­ект (точка), и процедура повторяет­ся. В результате мы получим карту, расположение узлов которой сов­падает с расположением основных

скоплений объектов в исходном пространстве рис. 13.11. Кроме то­го, полученная карта обладает сле­дующим замечательным свойст­вом - узлы ее расположились та­ким образом, что объектам, похо­жим между собой соответствуют соседние узлы карты. Теперь определя­ем, какие объекты у нас попали в какие узлы карты. Это также определя­ется ближайшим узлом - объект попадает в тот узел, который находится ближе к нему. В результате всех этих операций объекты со схожими па­раметрами попадут в один узел или в соседние узлы. Таким образом,

можно считать, что мы смогли решить задачу поиска похожих объектов и их группировки.

Но и это еще не все. Мы можем также получить информацию о зависи­мостях между параметрами. Нанеся на карту раскраску, соответствующую различным статьям отчетов, можно получить так называемый атлас, храня­щий в себе информацию о состоянии рынка. При анализе, сравнивая распо­ложение цветов на раскрасках, порожденных различными параметрами, можно получить полную информацию о финансовом портрете банков­неудачников, процветающих банков и т.д.

При всем этом описанная технология является универсальным методом анализа. С ее помощью можно анализировать различные стратегии деятель­ности, производить анализ результатов маркетинговых исследований, про­верять кредитоспособность клиентов и т.д.

Имея перед собой карту и зная информацию о. некоторых из исследуемых объектов, мы можем достаточно достоверно судить об объектах, с которыми мы мало знакомы. Нужно узнать, что из себя представляет новый партнер? Отобразим его на карте и посмотрим на соседей. В результате, можно извле­кать информацию из базы данных, основываясь на нечетких характеристи­ках.