5. Задания к лабораторной работе
Используя файл о кредитных историях, собранный в банке - loans.txt, построить классификатор на основе
а) логистической регрессии;
б) деревьев решений
в программе Deductor. Сравнить полученные модели и оценить их качество.
Построить модели классификации на данных, приведенных ниже в заданиях 5.1 и 5.2.
Сравнить результаты с классификацией на основе нейронной сети.
Задание 5.1. Главным управлением экономического развития области был проведен выборочный анализ финансового состояния хозяйствующих субъектов, в результате которого получены три группы промышленных предприятий: нормально функционирующие, нуждающиеся в финансовой поддержке и предприятия, которые находятся в состоянии банкротства. Выводы относительно конкретного предприятия делались на основе анализа коэффициента рентабельности ( ), коэффициента текущей ликвидности ( ), коэффициента обеспеченности собственными средствами ( ) и коэффициента утраты (восстановления) платежеспособности ( ).
Таблица 5.4 - Результаты выборочного анализа финансового состояния хозяйствующих субъектов, действующих на територии области
Наименование предприятий |
|
|
|
| |
- 1 - | - 2 - | - 3 - | -4 - | - 5 - | |
Группа нормально функционирующих предприятий | |||||
Г.П. «Медтехника» | 8,09 | 1,30 | 0,23 | 1,13 | |
Завод «Гамма» | 8,09 | 1,56 | 2,36 | 1,48 | |
ОАО «Искра» | 23,17 | 17,76 | 0,85 | 17,46 | |
ОАО «Автозапчасти» | 2,10 | 28,78 | 0,97 | 31,02 | |
ОАО «Видеофон» | 4,48 | 1,18 | 0,15 | 1,04 | |
ЗАО «Гидрогаз» | 7,32 | 1,28 | 0,23 | 1,19 | |
ЗАО «Агропродукт» | 12,00 | 1,89 | 0,47 | 1,79 | |
ОАО «Машоборудование» | 4,45 | 7,52 | 0,87 | 7,42 | |
Дорожные электромеханические мастерские | 2,79 | 2,00 | 0,50 | 1,69 | |
ОАО «Преобразователь» | 1.32 | 10,02 | 0,24 | 9,46 | |
Группа предприятий, нуждающихся в финансовой поддержке | |||||
Завод «Радиоприбор» | 0,52 | 0,95 | -0,033 | 0,97 | |
Производственно-коммерческая фирма «Флаттер» | 2,84 | 0,98 | -0,02 | 0,81 | |
ОАО «Судоремонтный завод» | -84,86 | 2,02 | 0,50 | 1,99 | |
ОАО «Автодор» | 34,8 | 9,82 | -0,22 | 0,68 | |
- 1 - | - 2 - | - 3 - | -4 - | - 5 - | |
ОАО «Рембыттехника» | 8,42 | 1,09 | 0,08 | 0,96 | |
Группа предприятий, которые находятся в состоянии банкротства | |||||
ОАО «Втормет» | -2,13 | 0,73 | -0,36 | 0,59 | |
ОАО «Вэлт» | -321,06 | 0,64 | -1,02 | 0,72 | |
ОАО «ЗПП» | -48,53 | 0,97 | -0,03 | 0,96 | |
ОАО «Тяжэкс» | -356,24 | 0,32 | -2,16 | 0,37 | |
ОАО «ЗСАК» | -41,47 | 0,92 | -0,09 | 0,51 |
Требуется, используя приведенные данные как обучающую выборку, построить модель классификации на основе одного из методов, рассмотренных выше, а затем установить принадлежность следующих предприятий к одному из трех классов, определив тем самым его финансовое состояние.
Таблица 5.5 - Показатели финансового состояния классифицируемых хозяйствующих субъектов
Наименование предприятий |
|
|
|
|
ЗАО «ЭПП-микрон» | -5,17 | 2,97 | -0,36 | 3,15 |
ОАО Молочный комбинат | 27,8 | 19,11 | 2,6 | 16,48 |
ООО Продовольственная компания | 0,33 | 0,79 | -0,61 | 0,51 |
ОАО «Фруктовые воды» | -9,19 | -0,1 | 0,19 | 0,51 |
Задание 5.2. При оценке эффективности деятельности предприятий легкой промышленности были получены два класса предприятия: с высокой и низкой производительностью труда. Кроме того , были выявлены факторы, определяющие соответствующий уровень производительности труда: 1) Доля рабочих, занятых вручную не при машинах и механизмах % ( ); 2) Процент текучести кадров ( ); 3) Коэффициент сменности по всем рабочим ( ); 4) Доля профильной продукции в общем объеме продукции ( ); 5) Электровооруженность, кВт ( ); В последней колонке приведено Модельное значение выработки, тыс.грн. (табл. 5.6). Опираясь на полученные результаты: 1) проанализируйте резервы роста производительности труда в группе худших предприятий; 2) проведите классификацию предприятий, представленных в табл. 5.7.
Таблица 5.6 - Классификация предприятий по уровню производительности труда
Пред-прия-тие | Факторы | Модельнзначение выработки, тыс.грн. | ||||
|
|
|
|
| ||
Группа предприятий с высокой производительностью труда | ||||||
1 | 34,1 | 11 | 1,47 | 93,4 | 21,3 | 69,75 |
2 | 33,7 | 12 | 1,29 | 91,7 | 32,2 | 63,89 |
3 | 23,6 | 23 | 1,17 | 95,3 | 27,8 | 60,64 |
4 | 29,6 | 12 | 1,47 | 95,3 | 22,6 | 81,62 |
5 | 25,3 | 16 | 1,44 | 96,3 | 21,9 | 81,02 |
6 | 17,9 | 27 | 1,52 | 91,1 | 27,8 | 62,53 |
7 | 29,3 | 13 | 1,62 | 94,5 | 23,5 | 83,55 |
Группа предприятий с низкой производительностью труда | ||||||
8 | 38,4 | 12 | 1,36 | 96,4 | 15,5 | 61,68 |
9 | 37,5 | 15 | 1,44 | 95,2 | 12,3 | 54,86 |
10 | 32,2 | 19 | 1,29 | 96,1 | 16,4 | 54,71 |
11 | 26,1 | 19 | 1,46 | 92,3 | 11,4 | 55,90 |
12 | 30,7 | 25 | 1,57 | 92,9 | 23,4 | 51,34 |
13 | 28,7 | 18 | 1,47 | 85,2 | 22,7 | 41,14 |
Таблица 5.7 - Характеристики предприятий, подлежащих классификации
Предпри-ятие | Факторы | ||||
|
|
|
|
| |
14 | 31,5 | 19 | 1,76 | 92,7 | 18,4 |
15 | 31,2 | 23 | 1,37 | 94,6 | 17,9 |
16 | 19,7 | 20 | 1,52 | 96,2 | 27,1 |
17 | 28,7 | 24 | 1,56 | 92,2 | 27,8 |
- Інформаційні системи та технології в управлінні методичні вказівки
- 1 Введення до систем підтримки прийняття рішень 4
- 2 Бізнес - прогнозування 25
- 3 Кластерний аналіз в бізнес-аналітиці 43
- 4 Вирішення задач класифікації
- 5 Література 120
- 1 Введение в Системы Поддержки Принятия Решений (сппр)
- 1.1 Определение сппр
- 1.2 Классификация сппр
- 1.3 Архитектура сппр
- 1.4 Анализ данных – основные принципы
- 1.5 Базовые методы анализа
- 1) Online Analytical Processing
- 2) Knowledge Discovery in Databases
- 3) Data Mining
- 1.6 Примеры задач, где применяются методы Data Mining
- 1.7 Программа Deductor – платформа для создания сппр
- 1.8 Контрольные вопросы
- 2 Корреляционный анализ
- 2.1 Теоретические сведения
- 2.3 Задание для самостоятельной работы
- 2.4. Контрольные вопросы
- 3 Бизнес - Прогнозирование
- 3.1 Теоретические сведения
- 3.2 Компьютерные пакеты для решения задач прогнозирования
- 3.3 Временные ряды
- 3.3.1 "Наивные" модели прогнозирования
- 3.3.2 Средние и скользящие средние
- 3.3.3 Моделирование временного ряда
- Ar(p) -авторегрессионая модель порядка p. Модель имеет вид:
- 3.3.4 Нейросетевые модели прогнозирования
- 3.3.6 Предобработка данных
- 3.4 Пример прогнозирования с помощью линейной регрессии
- 3.4.1 Импорт данных из файла
- 3.4.2 Настройка параметров столбцов
- 3.4.3 Расчет автокорреляции столбцов
- 3.4.4 Удаление аномалий
- 3.4.5 Сглаживание данных – удаление шумов
- 3.4.6 Преобразование данных к скользящему окну
- 3.4.7 Прогнозирование с помощью линейной регрессии
- 3.5 Прогнозирование с помощью нейронных сетей
- 3.5.1 Исходные данные
- 3.5.2 Удаление аномалий и сглаживание
- 3.5.3 Обучение нейросети (прогноз на 1 месяц вперед)
- 3.5.4 Построение прогноза
- 3.5.5 Результат
- 3.5.6 Выводы
- 3.6 Задание к лабораторной работе
- 3.7 Контрольные вопросы
- 4 Кластерный анализ в бизнес-аналитике
- 4.1. Теоретические основы
- 4.2 Меры близости в алгоритмах кластеризации
- 4.3 Алгоритмы кластеризации
- 4.4 Решение типовой задачи кластеризации в Deductor
- 4.4.1 Кластеризация
- 4.4.2 Выводы
- 4.6 Задания для самостоятельной работы
- 4.7 Контрольные вопросы
- 5 Методы решения задач классификации
- 5.1 Опис процесу класифікації
- 5.2 Оцінка якості моделі класифікації
- 5.3 Скоринговые модели для оценки кредитоспособности заемщиков – пример задачи классификации на основе логистической регрессии
- 5.3.1 Постановка задачи
- 5.3.2 Скоринговая карта на основе логистической регрессии
- 5.3.3 Построение модели в системе Deductor.
- 5.4 Классификация на основе дерева решений
- 5.4.1 Процесс конструирования дерева решений
- 5.4.2 Скоринговая модель на основе дерева решений
- 5.3.4 Интерактивное дерево решений
- 5. Задания к лабораторной работе
- 5.5 Контрольные вопросы
- 5 Литература