Материал: 2047

Таким образом, данную задачу следует определить как задачу кластеризации для определения СЗП, образующих СПП в соответствии с полученной типологией КЗ на основе положений теоретикомножественного представления. И далее, на основе сформированной анкеты КЗ, как задачу построения классификатора, посредством которого и будет определяться СПП конкретного соискателя для оценки возможных рисков, связанных с субъективным кредитным поведением.

В соответствии с полученной в ходе первого этапа семантического эксперимента (ассоциативного эксперимента) структурой СПП имеем множество существенных признаков Z R Z1 Z2 Z3 Z4, где

Имеем множество групп респондентов

U U1 U2 Ui Um 1 Um,m 1,...,64,

Ui ui1 R,ui2 Z1, ,ui5 Z4 .

Имеем множество респондентов

Y y1, ,yN , yj Ui & yj Ul ,l i, j 1, ,N,i 1, ,64.

Имеем множество ассоциативных рядов, отличных по количеству данных респондентами СПП,

aj aj1, ,ajk , aj1, ,ajk , k 1, ,Kmax ,

45

Kmax – максимальное количество СЗП иначе длина ассоциативного ряда.

Каждому респонденту ставится в соответствие ряд СЗП yj aj.

Имеем мультимножество Aˆ x1 a1 , ,xM aM ,

M – количество уникальных векторов aj , x1, ,xM – количество повторений a1, ,aM соответственно.

Необходимо построить СПП в соответствии с выявленной экспериментально и статистически доказанной структурой, характерное для типов КЗ, отличных по существенным социальнодемографическим признакам и признаку «хорошая/плохая» кредитная история, то есть найти кластер, который формируется для каждой Ui из: характерных только для определенного типа кредитных заемщиков СПЗ; принадлежащих не единственному типу, но наиболее характерных для определенного типа кредитных заемщиков СПЗ.

Для решения задачи выявления СПП для типов заемщиков, отличных по существенным социально-демографическим признакам и признаку «хорошая»/«плохая» кредитная история, и поддержания его в актуальном состоянии представим исходные данные в виде двух ориентированных графов (для мужчин и женщин соответственно), так что взаимосвязанные социально-демографические признаки образуют взвешенные ориентированные деревья TM TMV,TM E для мужчин

и TWm TWm,TWmE для женщин.

Корнем дерева является «пол» (другими словами нулевой уровень иерархии), узлами дерева будут значения социальнодемографических признаков, при чем на одном уровне иерархии рассматриваются значения одного признака. В качестве листьев дерева будут выступать значения «хорошая»/«плохая» кредитная история. Весовые коэффициенты отражают количество респондентов с определенными социально-демографическими признаками и «хорошей»/«плохой» кредитной историей. Пример представлен на рис. 3.2.

Добавим к деревьям TM и TWm множества вершин AM и AWm, соответствующих выявленным в ходе эксперимента ассоциациям. Добавленные вершины могут быть связаны дугами более чем с одним узлом нижнего уровня иерархии ориентированного дерева, соответственно нарушается свойство «любые две вершины соединены единственной простой цепью», и в таком случае мы имеем дело с ориентированными графами GM GMV,GM E и GWm GmV,GWmE соответст-

46

венно, TM GM и TWm GWm. Весовые коэффициенты добавившихся дуг соответствуют количеству респондентов, указавших соответствующую конечной вершине ассоциацию.

Рис. 3.2. Пример ориентированного дерева TM , где корень – мужчины; 1-й уровень – типы образования; 2-й уровень – возрастные категории; 3-й уровень – тип кредитной истории («хорошая» G/«плохая» B кредитная история)

Необходимо выявить такое подмножество ассоциаций, исключение которых из рассматриваемого ориентированного графа позволит получить ориентированное дерево – граф, в котором любые две вершины соединены единственной простой цепью. Полученное дерево будет содержать в качестве листьев характерные ассоциации – СЗП, уникально описывающие каждую социально-демографическую группу. Другими словами получим СПП для каждого типа заемщиков.

Анализируемые данные, полученные в результате ассоциативного эксперимента (как социального или психологического эксперимента), свободного от навязывания какими-либо стимулами, имеют отличительные особенности:

­данные имеют грубый шум – единожды встретившиеся ассоциации;

­длины ассоциативных рядов, то есть количество ассоциаций, данных разными респондентами значительно отличны (в данном эксперименте от 5 до 96 ассоциаций);

­количество респондентов, представляющих различные типы заемщиков значительно отличны (в данном эксперименте от 6 до 95 человек);

47

­структура СПП может меняться в зависимости от признаков как в сторону ее расширения, так и уменьшения количества признаков, определяющих структуру СПП;

­положение признаков на уровне иерархии может меняться в зависимости от принятой структуры СПП кроме наиболее существенных признаков (в данном случае «пол», и «хорошая»/ «плохая» кредитная история);

­количество СЗП, определяющих СПП для определенного типа КЗ и формирующих анкету, может быть задано по умолчанию или меняться в зависимости требований ЛПР.

Перечисленные особенности обуславливают наличие противоречий и необходимость решения вызванных ими проблем по умолчанию или действиями согласно плану активного вмешательства ЛПР.

В данном случае возникает необходимость разработки плана активного вмешательства ЛПР согласно перечисленным проблемам, который реализуется следующим набором решающих правил.

ЛПР может задать порядок подчиненности при построении ориентированного дерева социально-демографических признаков, по умолчанию система принимает решение о построении дерева в том порядке признаков, в котором они хранятся в таблице.

Например:

­Пол –> Возраст –> Образование –> Наличие детей –> Признак возврата кредита;

­Пол –>Образование –> Возраст –> Наличие детей –> Признак возврата кредита;

­Пол –>Образование –>Наличие детей –> Возраст –> Признак возврата кредита, и т.п.

Неизменным в порядке является условие, что признак «пол» является вершиной ориентированного дерева, признаки «хорошая»/ «плохая» кредитная история листьями дерева.

ЛПР задает необходимое количество СЗП для формирования анкеты (по умолчанию 50).

ЛПР задает количество в результирующем наборе СПЗ: ассоциаций, характерных для каждой группы, ассоциаций, встречающихся в группах с одним отличным признаком «хорошая»/ «плохая» кредитная история с максимальной разностью весов с учетом поправочного коэффициента на разные объемы выборок в группах.

ЛПР задает поправочный коэффициент, учитывающий неравномерные объемы выборок в группах (по умолчанию определяется

48

группа с максимальным количеством человек и ей присваивается коэффициент равный единице, остальным – пропорционально количеству человек в группе, для которой определяется поправочный коэффициент).

ЛПР принимает решение о необходимости реализовывать изменение группировки респондентов по набору социальнодемографических признаков, если в начальном наборе групп характерные или смежные ассоциации найдены не для всех.

Для реализации графовой модели типологии КЗ в условиях перечисленных особенностей анализируемых данных и реализации плана активного вмешательства ЛПР, выбран продукционный метод построения систем, иначе систем, основанных на правилах. Продукционные системы (RBS-системы) – системы с правилами типа «если (условие), …то (действие)». Под условием (антецедентом) понимается некоторое предложение-образец, по которому осуществляется поиск в БП, а под «действием» (консеквентом) – действия, выполняемые при успешном исходе поиска (могут быть промежуточными, выступающими как условия и целевыми, завершающими работу системы). Условие является заголовком правила, действие его телом.

Продукционную модель, представленную в форме дерева правил отличает наглядность, высокая модульность и простой механизм логического вывода. Такой подход оправдан еще и тем, что: количество исходов конечно, таким образом можно создать базу с конечным набором правил, описывающих все возможные варианты исходов; возможна реализация прямых (выборка с прямым логическим выводом или «распознай-действуй») и обратных (выборка с обратным логическим выводом или «предположи-проверь») стратегий принятия решений, а также их комбинации; модульное построение – рабочие правила представляют знания в атомарной форме, а операторы можно объединять и редактировать независимо один от другого, обеспечивая простоту их расширения [152].

Для значительной оптимизации временных затрат, необходимых для поиска правил (в основном, это объясняется тем, что в случае возрастания количества правил для решения задачи в тот же период времени уже не возникает линейного роста требуемой вычислительной мощности), предлагается использование древовидных структур, что позволяет создавать очень большие системы, основанные на правилах, не заботясь о производительности [152].

49