application of genetic algorithms for neural network learning - srdjan mladjenović
Post on 16-Apr-2017
40 Views
Preview:
TRANSCRIPT
Srđan MlađenovićComTrade System Integration, Analytics/Big Data Business Development Manager at Comtrade System Integration
Application of Genetic Algorthms for Neural Network Learning in Credit Scoring Domain
Application of Genetic Algorthms for Neural Network Learning in Credit Scoring Domain
BIO
Comtrade System Integration, BDM
Preko 13 korporativnog godina rada u IT-u• Poslovni razvoj – analitika, BI, Big Data• Predavač – MS Sinergija, IBM Sprint• PM, Rukovodilac tima BI/ERP
Akademsko obrazovanje• Informatika, PMF• Bioinženjering, Mašinski fakultet
Srđan MlađenovićAnalytics/Big Data
Business Development
Manager
1. Motivacija
2. Neuronske mreže (NM)
3. Genetski algoritmi (GA)
4. GA za obučavanje NM (GANM)
5. Problem kreditne klasifikacije
6. Rezultati
7. Zaključak
AGENDA
Motivacija
Biološki inspirisani algoritmi
Komparacija klasifikacionih
modela
Biološka inspiracijaNervni sistemi Teorija evolucije
Genetika
Neuronske mreže – model neurona
. . . . . .
u1
ui
un
u0=1
x v
w0 w1
wi
wn
g( )
Višeslojna neuronska mreža
Obučavanje neuronskih mreža
Nadgledajuće obučavanje: Backpropagation (BPNM)
Prirodna selekcija VarijabilitetHromozom
• Prilagođenost jedinke
• Najprilagođenije jedinke daju najviše potomaka
• Fenotip• Genotip• Hromozomi
• Rekombinacije u mejozi
• Genske mutacije
Selekcija (funkcija pogodnosti)
Krosover; Mutacija (operatori)
Hromozom – genotip (reprezentacija)
Simple Genetic Algorithm (SGA)
Genetski algoritam – osnovni elementi
GA - algoritam
Genetski operatori
Mutacije
GA za obučavanje NM (GANM) - reprezentacija
Krosover
Mutacija
Problem kreditne klasifikacije
Dve klase – „dobri“ i „loši“ aplikanti
Podrška kreditnom odlučivanju – smanjenje rizika
Povezan problem – kreditni rejting
Benčmark problemi (Retail)• Australijski kreditni podaci• Nemački kreditni podaci
Komparacija GANM i BPNM
Parametri algoritamaGA Parametar Vrednost
Veličina populacije N 50
Broj generacija 250Tip selekcije RULETElitizam DARangiranje DA
Selektivni pritisak 10
Tip krosovera Dvotačkasti standardni
Verovatnoća krosovera 0.8
Verovatnoća mutacije 0.6
Raspodela mutacije N(0,1)
Raspodela inicijalne populacije N(0,5)
BP Parametar Vrednost
Broj epoha 2000 ili 6000
Varijanta BP Lokalna – Silvia i Almeida
Početna vrednost lokalnih koeficijenata brzine obučavanja
0.001
Stepen uvećanja u 1.1Stepen umanjenja d 0.909
Momenat 0.1Raspodela inicijalnih težina U(-1,1)
Rezultati – zavisnost od arhitekture NM
Rezultati – Australijski kreditni podaci
Australijski - prosek
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
Dobar kredit Loš kredit Ukupno
Gre
ška
klas
ifikac
ije
GA BP
Australijski - najbolji
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
Dobar kredit Loš kredit Ukupno
Gre
ška
klas
ifikac
ije
GA BP
Rezultati – Nemački kreditni podaci
0.00
0.05
0.10
0.15
0.20
0.25
0.30
Particija
Gre
ška
klas
ifika
cije
BP GA
1 2 3 4 5 6 7 8 9 10
Pretraživački karakter algoritama
BPNM brži
Zaključci
GANM statistički bolji za Australijske
podatke
Greške koštanja mogu se ubaciti u GANM
obučavanje
GA gobalno pretražuje; BP
lokalno
BPNM – zavisnost
od arhitekture i incijalnog
izbora težina
Pitanja
?
Copyright © 2016 Comtrade. All rights reserved.The content of this presentation is copyright protected.
Any reproduction, distribution, or modification is not allowed.The information, solutions, and opinions contained in this presentation are of
informative nature only and are not intended to be a comprehensive study, nor should they be relied on or treated as a means to provide a complete solution
or advice, since we may not be aware of all specific circumstances of the case. We try to provide quality information, but we make no claims, promises,
or guaranties about the accuracy, completeness, or adequacy of the information contained herein.
www.comtradeintegration.com
top related