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