Sztuczne sieci
neuronowe
Przykłady
Sztuczne sieci
neuronowe
Przykłady
Sztuczne sieci neuronowe
Przykład 1: prezentacja programu Neurowin
Założenia ogólne
Okoliczności:
●
Czas wolny:dużo, jest, mało, brak
●
Pogoda: ładna, brzydka, średnia
●
Pieniądze: dużo, są, mało, brak
●
Odpowiednie towarzystwo: jest, brak
●
Pora: rano,
przedpołudnie,wieczór,noc
●
Idę na kolację, do filharmonii, spacer,
na zajęcia, czytam książkę,idę spać
Sztuczne sieci neuronowe
Przykład 1: prezentacja programu Neurowin
Wejścia do sieci:
WE 1: Czas
Dużo
1
Jest
2
Mało
3
Brak
4
Sztuczne sieci neuronowe
Przykład 1: prezentacja programu Neurowin
Wejścia do sieci:
WE 2: Pogoda
Ładn
a
1
Średni
a
2
Brzydk
a
3
Sztuczne sieci neuronowe
Przykład 1: prezentacja programu Neurowin
Wejścia do sieci:
WE 3:
Pieniądze
Dużo
1
Są
2
Mało
3
Brak
4
Sztuczne sieci neuronowe
Przykład 1: prezentacja programu Neurowin
Wejścia do sieci:
WE 4:
Towarzystwo
Jest
1
Brak
0
Sztuczne sieci neuronowe
Przykład 1: prezentacja programu Neurowin
Wejścia sieci
WE5:pora
Rano
1
Przedpołud
nie
2
Wieczó
r
3
Noc
4
Sztuczne sieci neuronowe
Przykład 1: prezentacja programu Neurowin
Wyjścia z sieci:
WY1:
Filharmonia
2
Kolacja
1
Spacer
3
Zajęcia
4
Książka
5
Spanie
6
Sztuczne sieci neuronowe
Przykład 1: prezentacja programu Neurowin
Budowa sieci:
●
5 wejść i jedno wyjście
●
5 wejść i 6 wyjść
●
Warstwy pośrednie
●
Ilość neuronów w warstwach
pośrednich
Sztuczne sieci neuronowe
Wycena nieruchomości
W badaniu wykorzystano dane dotyczące
nieruchomości PKP. Wyodrębniono tylko
nieruchomości w postaci działek
Do badania wykorzystano zbiór 200
nieruchomości
Sztuczne sieci neuronowe
Wycena nieruchomości: cechy
●
Powierzchnia działki
●
Cecha handlowa 1
▸
Miasto stołeczne Warszawa -1
▸
Miasto wojewódzkie -2
▸
Inne miasta - 3
▸
Poza miastem -4
●
Cecha handlowa 2
▸
Tereny w pobliżu przejść granicznych -1
▸
Otoczenie cywilnych portów lotniczych lub morskich - 2
▸
Obszar strefy wolnocłowej - 3
▸
Inne - 4
●
Cecha handlowa 3
▸
Wartość rynkowa w USD gruntów o podobnych cechach
Sztuczne sieci neuronowe
Wycena nieruchomości: cechy
●
Stan prawny działki
▸
Nieuregulowany - 1
▸
Własność -2
▸
Użytkowanie wieczyste -3
●
Uzbrojenie - woda
▸
Jest - 1
▸
Brak -0
●
Uzbrojenie - gaz
▸
Jest - 1
▸
Brak - 0
●
Uzbrojenie - kanalizacja
▸
Jest -1
▸
Brak - 0
●
Uzbrojenie - ogrodzenie
▸
Jest -1
▸
Brak -0
Sztuczne sieci neuronowe
Wycena nieruchomości: cechy
●
Rodzaj transakcji
▸
Sprzedaż - 1
▸
Dzierżawa długoletnia na czas oznaczony powyżej 5 lat - 2
▸
Dzierżawa krótkookresowa na czas oznaczony do 5 lat - 3
▸
Dzirzawa na czas nieoznaczony - 4
●
Wartość realizowanej transakcji
Sztuczne sieci neuronowe
Wycena nieruchomości: budowa
●
Jako wejścia przyjęto cechy wymienione w
punktach 1-10
●
Za wyjście przyjęto cechę 11 czyli cenę działki
●
W trakcie badania zbudowano 6 modeli różniących
się między sobą ilością neuronów i warstw pośrednich
●
Finalnie zbudowano dwa modele sieci
▸
Pierwszy dotyczył włączenia cechy rynkowa wartość
działki o podobnych cechach w USD
▸
W drugim wyłączono tą cechę
●
Ze zbioru danych wyodrębniono podzbiór 30-u
przypadków do testowania sieci
Sztuczne sieci neuronowe
Wycena nieruchomości: wnioski
Sieć 1, test na danych branych pod
uwagę do uczenia sieci.
●
76,31 % wycen różni się od
oryginalnych o nie więcej niż 1 zł
●
13,15 % różni się o więcej niż 1 zł
ale nie mniej niż 2 zł
●
10,52 % różni się o ponad 2 zł
Sztuczne sieci neuronowe
Wycena nieruchomości: wnioski
Sieć 1, test na danych nie branych pod
uwagę do uczenia sieci.
●
73,68 % wycen różni się od
oryginalnych o nie więcej niż 1 zł
●
10,52 % różni się o więcej niż 1 zł
ale nie mniej niż 2 zł
●
15,78 % różni się o ponad 2 zł
Sztuczne sieci neuronowe
Wycena nieruchomości: wnioski
Sieć 2, test na danych branych pod
uwagę do uczenia sieci.
●
36 % wycen różni się od
oryginalnych o nie więcej niż 1 zł
●
42 % różni się o więcej niż 1 zł ale
nie mniej niż 2 zł
●
22 % różni się o ponad 2 zł
Sztuczne sieci neuronowe
Wycena nieruchomości: wnioski
Sieć 2, test na danych nie branych pod
uwagę do uczenia sieci.
●
15,78 % wycen różni się od
oryginalnych o nie więcej niż 1 zł
●
15,78 % różni się o więcej niż 1 zł ale
nie mniej niż 2 zł
●
26,31 % różni się o ponad 2 zł ale nie
mniej niż 3 zł
●
31,57 % różni się o ponad 3 zł ale nie
mniej niż 10 zł
●
10,52 różni się o ponad 10 zł
Sztuczne sieci neuronowe
Wycena nieruchomości: wnioski
●
W trakcie uczenia sieci założono
współczynnik uczenia sieci 0,9
●
We wszystkich modelach
przeprowadzono 200 epok uczenia
Sztuczne sieci neuronowe
Porównanie metod badawczych
●
Porównywano dwie metody
prognozowania upadłości
przedsiębiorstwa
●
Wykorzystano dane ze sprawozdań
finansowych
▸
Bilans
▸
Rachunek wyników
▸
Przepływy gotówkowe
Sztuczne sieci neuronowe
Model Altmana
W modelu Altmana zastosowana została
metoda analizy dyskryminacyjnej. Metoda
polega na zbudowaniu funkcji
dyskryminacyjnej na podstawie zmiennych
diagnostycznych z punktu widzenia danego
zjawiska. Wyliczona wartość funkcji pozwala
na pogrupowanie przedsiębiorstw o dużym
ryzyku niewypłacalności i dobrej pozycji
finansowej.
Sztuczne sieci neuronowe
Model Altmana
Funkcja dyskryminacyjna w modelu
Altmana
Z= 1,2 X1 + 1,4 X2 + 3.3 X3 + 0,6 X4
+ 0,999 X5
Sztuczne sieci neuronowe
Model Altmana
Altman stwierdził że wszystkie
przedsiębiorstwa o wartości funkcji Z
powyżej 2.99, posiadają dobrą kondycję
finansową natomiast te dla których
wartość funkcji Z jest niższ od 1.81 są
bliskie bankructwa
Sztuczne sieci neuronowe
Model Fulmera
Funkcja dyskryminacyjna
H=5.28(V1) + 0.212(V2) + 0.073(V3) + 1.270(V4)
-0.120(V5) +
2.335(V6) + 0.575 (V7) + 1.083 (V8) + 0.894 (V9)
-6.075
Gdzie
V1= Dochód zatrzymany/wartość środków trwałych
V2 = sprzedaż/wartość środków trwałych
V3=dochód przed opodatkowaniem/dochód ogółem
V4=Cash Flow/zobowiązania całkowite
V5=zadłużenie całkowite/wartość środków trwałych
V6= zobowiązania bieżące/wartość środków trwałych
V7= wartość środków trwałych
V8= środki obrotowe/zadłużenie całkowite
V9= bieżący wskaźnik płynności
Sztuczne sieci neuronowe
Model Fulmera
Z badań wykonanych przez
Fulmera wynika że dla
przedsiębiorstw zagrożonych
bankructwem wartość funkcji
dyskryminacyjej H jest mniejsza od
zera
Sztuczne sieci neuronowe
Opis badania
▪
W ramach badania oszacowano które
przedsiębiorstwa są bliskie bankructwa za
pomocą 1 i 2 modelu
▪
Wyodrębniono zbiór rozwiązań wspólnych
▪
Następnie zbudowano sieć neronową na
wejściach tej sieci podawano dane potrzebne
do policzenia wskaźników branych pod
uwage w jednej i drugiej metodzie
▪
Sieć posiadała jedno wyjście o wartościach
1 gdy przedsiębiostwo bliskie bankructwa i 0
gdy w dobrej kondycji finansowej
Sztuczne sieci neuronowe
Opis badania
▪
Sieć była uczona w oparciu o przypadki w
których model Altmana i Fulmera generował
takie same wyniki
▪
Następnie wprowadzono dane
przesiębiorstw dla których obie metody
generowały różne wyniki
▪
Następnie przprowadzono klasyczną
analizę finansową dotyczącą przedsiębiorstw
znajdujących się w ostatniej grupie
▪
Okazało się że około 70 % ocen
generowanych przez sieć pokrywa się z
wnioskami analizy finansowej.
Sztuczne sieci neuronowe
Systemy hybrydowe
1
System ekspertowy może być użyty do uczenia
sieci neuronowej
2
Sieć neuronowa może być użyta do tworzenia
bazy wiedzy systemu ekspertowego
3
Sieć neuronowa może być użyta do
pozyskiwania wiedzy dla systemu ekspertowego
4
Sieć neuronowa może wstępnie przetwarzać
dane dla systemu ekspertowego
5
System ekspertowy może integrować działanie
różnych sieci neuronowych
6
System ekspertowy może wyjaśniać wyniki
generowane przez sieć neuronową
7
Algorytm genetyczny może służyć jako
selekcjoner iformacji dla sieci neuronowej i systemu
ekspertowego