ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 03.12.2020
Просмотров: 520
Скачиваний: 4
26
этапа, каждый из которых соответствует одному из четырех подразделений.
Сумма капитальных вложений 0; 200; …; 1000 тыс. грн., следовательно, и
возможные остатки нераспределенных на начало каждого периода капитальных
вложений могут принимать значения соответственно 1000; …; 0 тыс. грн.
Управление на
i
–том этапе
Х
i
сводится к нахождению такого варианта
распределения имеющейся на начало этапа суммы капиталовложений
x
i
k
(k=0;200;…;1000) междму
i
-м подразделение и последующим, при котором
общая экономия была бы максимальной. А в целом, задача сводится к
нахождению пути от S
0
до S
k
, по которому обеспечивается распределение
капитальных вложений между четырьмя подразделениями с получением
максимальной
экономии,
следовательно,
применимы
следующие
функциональные уравнения:
)}
(
{(
)
(
4
4
4
0
4
max
x
f
x
F
x
x
,
)}
(
)
(
{(
)
(
3
4
3
3
0
3
max
3
x
x
F
x
f
x
F
x
x
,
)}
(
)
(
{(
)
(
2
3
2
2
0
2
max
2
x
x
F
x
f
x
F
x
x
,
)}
(
)
(
{(
)
(
1
2
1
1
0
1
max
1
x
x
F
x
f
x
F
x
x
.
Решение начинается с последнего, четвертого этапа. Какая бы сума
капиталовложений ни оставалась на начало четвертого этапа, она должна быть
выделена четвертому предприятию. Каждой сумме капиталовложений
соответствует единственное значение дополнительной экономии. Далее переходят
к планированию на этапе 3. После окончания этапа 2, т.е. после выделения
средств
первому
и
второму
подразделению
может
остаться
1000
,
800
,
600
,
400
,
200
,
0
3
k
x
тыс. грн. Необходимо из каждой возможной суммы
третьему подразделению выделить столько (
3
x
), чтобы суммарная эффективность
от использования этих средств на третьем этапе и средств (
3
3
x
x
k
) на четвертом
этапе была максимальной:
)}
(
)
(
{(
max
)
(
3
3
4
3
3
0
3
3
3
x
x
F
x
f
x
F
k
x
x
k
.
Если на начало третьего этапа останется 200 тыс. грн., их можно передать
третьему подразделению
3
x
=200, тогда четвертому будет выделено 200–200=0,
суммарная эффективность составит 13+0=13. Если же третьему подразделению не
выделять из этой суммы ничего, т.е.
3
x
=0, и все деньги передать четвертому, то
200
0
200
4
x
. Эффект составит 0+18=18:
0
,
18
0
14
13
0
max
)
200
(
3
3
opt
x
F
.
Аналогично находятся условно оптимальные управления при других
значениях
3
x
:
0
,
40
0
40
13
18
38
0
max
)
400
(
3
3
opt
x
F
;
27
400
,
56
0
44
13
40
38
18
45
0
max
)
600
(
3
3
opt
x
F
;
400
,
78
0
65
13
44
38
40
45
18
60
0
max
)
800
(
3
3
opt
x
F
;
600
,
85
0
85
13
65
38
44
45
40
60
18
75
0
max
)
1000
(
3
3
opt
x
F
.
Определим оптимальные размеры капиталовложений, выделяемых второму
подразделению. Найдем
)}
(
)
(
{(
max
)
(
2
2
3
2
2
0
2
2
2
x
x
F
x
f
x
F
k
x
x
k
для каждого из
допустимых значений
1000
,
800
,
600
,
400
,
200
,
0
2
k
x
тыс. грн.:
0
,
18
0
18
14
0
max
)
200
(
2
2
opt
x
F
;
0
,
40
0
40
14
18
39
0
max
)
400
(
2
2
opt
x
F
;
400
,
57
0
56
14
40
39
18
46
0
max
)
600
(
2
2
opt
x
F
;
28
400
,
79
0
78
14
56
39
40
46
18
64
0
max
)
800
(
2
2
opt
x
F
;
400
,
95
0
88
14
78
39
56
46
40
64
18
80
0
max
)
1000
(
2
2
opt
x
F
.
Переходим теперь к нахождению значений
)}
(
)
(
{(
max
)
(
1
1
2
1
1
0
1
1
1
x
x
F
x
f
x
F
k
x
x
k
,
используя результаты расчетов на предыдущем этапе. Так как по условию
начальная сумма капиталовложений 1000 тыс. грн., то производим вычисления
лишь для одного значения
1000
x
тыс. грн.
0
,
95
0
95
12
79
33
57
40
40
60
18
70
0
max
)
1000
(
1
1
opt
x
F
.
Таким образом, максимальная экономия составляет 95 тыс.грн. При этом
капитальные вложения распределятся между предприятиями следующим
образом: предприятие Г – 200 тыс.грн; предприятие В – 400 тыс.грн.; предприятие
Б– 400 тыс.грн; предприятие А – 0 тыс.грн.
29
ЛАБОРАТОРНАЯ РАБОТА № 6
ЗАДАЧИ КЛАССИФИКАЦИИ И
ПРОГНОЗИРОВАНИЯ В
DEDUCTOR
Цель работ:
научиться применять методы Data Mining для решения задач
сегментирования и классификации на примере задачи банковского кредитования
(скоринга); научиться применять методы Data Mining для решения задач
прогнозирования временных рядов на примере построения модели прогноза
объема продаж.
Задание 1.
В папке C:\Program Files\BaseGroup\Deductor\Samples\ расположен файл
Trade1.txt– данные, содержащие историю продаж за некоторый период.
Требуется на основе исторических данных построить прогноз количества
продаж на будущие
n
(n=2..5) периодов. Оцените точность прогноза.
Для выполнения задания понадобятся следующие обработчики:
скользящее окно;
парциальная предобработка;
нейросеть;
прогнозирование.
Результаты визуализировать с использованием всех возможностей Deductor.
Сделать выводы.
Задание 2.
В папке C:\Program Files\BaseGroup\Deductor\Samples\ расположен файл:
Credit.txt – хранилище данных, содержащее информацию о выдаче и возврате
кредитов физическим лицам (кредитная история).
Ознакомьтесь с приведенным ниже необходимым теоретическим
материалом, который содержит актуальность решения задачи банковского
кредитования методами Data Mining и ее методику, описания обработчиков и
визуализаторов Deductor для выполнения индивидуального задания.
Постройте дерево решений для объяснения результатов сегментации. Для
обучения используйте 80% от всех данных, остальные – для тестирования.
Дальнейшее задание выполните согласно варианту. Для визуализации результатов
используйте все доступные средства Deductor.
Вариант № 1, 4, 8, 15, 17, 20
Постройте многомерный отчет и кросс-диаграмму распределения по целям
кредитования. Постройте модель дерева решений для оценки кредитоспособности
заемщика по 5 измерениям и фактам (обосновать их выбор).
30
Вариант № 2, 3, 6, 11, 14, 18
Постройте многомерный отчет и кросс-диаграмму распределения заемщиков
по возрастным группам. Постройте модель дерева решений для оценки
кредитоспособности по 7 измерениям и фактам (обосновать их выбор).
Вариант № 5, 7, 13, 19, 21, 25
Постройте многомерный отчет и кросс-диаграмму распределения заемщиков
по половому признаку и наличию/отсутствию транспортного средства. Постройте
модель дерева решений для оценки кредитоспособности по 8 измерениям и
фактам (обосновать их выбор).
Вариант № 10, 12, 16, 22, 25, 27
Постройте многомерный отчет и кросс-диаграмму распределения заемщиков
по целям кредитования и полу заемщика. Постройте модель дерева решений для
оценки кредитоспособности по 6 измерениям и фактам (обосновать их выбор).
Вариант № 9, 23, 24, 26
Постройте многомерный отчет и кросс-диаграмму распределения заемщиков
по целям кредитования и должностям. Постройте модель дерева решений для
оценки кредитоспособности по 4 измерениям и фактам (обосновать их выбор).
Для каждой модели проведите оценку качества и точности (обработчик «что-
если», таблица сопряженности). Результатом проделанной работы должен стать
сценарий Deductor. Сделать выводы.
Data Mining в банковском кредитовании
Одной из важнейших задач в банковском кредитовании является анализ
потенциальных заемщиков. В настоящее время большинство российских банков
решают вопрос снижения своих кредитных рисков путем простого переноса их на
поручителей заемщика. В современных российских условиях стремительного
спроса на услуги банковского кредитования банк, который умеет оценить
кредитный риск как можно точнее, получит преимущество над конкурентами,
дополнительную прибыль, возможность управлять уровнем риска. Одним из
доступных инструментов для оценки кредитного риска, особенно в условиях
отсутствия экспертов по оценке риска, являются методы Data Mining.
Эксперты в области банковского кредитования выделяют несколько
факторов, которые влияют на кредитоспособность человека (табл. 3.1).
Таблица 1
Факторы, влияющие на кредитоспособность.
Категория
Некоторые факторы категории
Базовая персональная информация
Пол, возраст, образование ...
Информация о семейном положении Состояние в браке, количество детей ...