Рубрика: "1.2.2. Математическое моделирование, численные методы и комплексы программ (технические науки)"
004.855.5 Нейросетевые методы решения задачи кредитного скоринга
Кадиев А. Д. (МГТУ им.Н.Э.Баумана), Чибисова А. В. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2022-4-8192
Продемонстрирован математический вывод представленной модели нейронной сети. Сведение задачи классификации к задаче оптимизации. Произведен разведывательный анализ данных, а также их предобработка для дальнейшего использования в обучении алгоритмов классификации. Были спроектированы архитектуры нейронных сетей, зависящих от функции активации, количества скрытых слоев нейронной сети и количества нейронов в скрытых слоях. Обучено более десяти нейронных сетей, решающих поставленную задачу кредитного скоринга. Произведен расчет времени обучения нейронных сетей. Представлено решение задачи при помощи классических алгоритмов машинного обучения. Можно было заметить, что стандартное отклонение accuracy и ROC AUC для нейронных сетей больше, чем у случайного леса. Это происходит из-за того, что мы выбираем начальные веса случайным образом и градиенты считаем не на всей выборке, а на малых частях, что добавляет некоторую погрешность при обучении. Но эти отклонения были не только в худшую сторону. В лучших ситуациях, по обеим метрикам, нейронные сети показывали результат хуже всего на пару процентов. Произведен анализ резульатов. Сравнительный анализ показывает, что нейронные сети имеют лучшее качество классификации, чем классические алгоритмы машинного обучения, а также, что нейронные сети имеют меньшее время обучения, чем классические алгоритмы машинного обучения. Представлены графики и таблицы, отображающие имеемые результаты.
Кадиев А.Д., Чибисова А.В. Нейросетевые методы решения задачи кредитного скоринга. Математическое моделирование и численные методы, 2022, № 4, с. 81–92.
Чуев В. Ю. (МГТУ им.Н.Э.Баумана), Дубограй И. В. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2022-2-102113
С использованием метода динамики средних разработана «смешанная» модель противоборства многочисленных группировок при линейных зависимостях от времени эффективных скоростей нанесения воздействий единицами сторон. Построен алгоритм, позволяющий исследовать ход протекания процесса и вычислить его основные показатели. Установлено, что использование моделей с постоянными эффективными скоростями нанесения воздействий во многих случаях приводит к значительным ошибкам при вычислении основных показателей процесса. Исследовано влияние упреждающего воздействия одной из противоборствующих сторон на ход его протекания и окончательный итог.
Чуев В.Ю., Дубограй И.В. «Смешанная» модель противоборства многочисленных группировок при линейных зависимостях от времени эффективных скоростей воздействий единицами сторон. Математическое моделирование и численные методы, 2022, № 2, с. 104–115
Бушуев А. Ю. (МГТУ им.Н.Э.Баумана), Резников А. О. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2021-3-6273
Построена модель генетического алгоритма с бинарным кодированием с независимой селекцией Шеффера, позволяющая производить поиск глобального оптимума по нескольким критериям без их скаляризации. При расчетах учитывается область всех возможных перемещений исполнительных органов в условиях неопределённых внешних воздействий в некотором, заранее заданном, диапазоне. Разработан алгоритм, позволяющий хранить промежуточные результаты для устранения проблемы большого количества повторяющихся расчетов в ходе работы эволюционного алгоритма, что позволило снизить время вычислений. Эффективность работы оптимизационного алгоритма демонстрируется на примере решения модельной задачи.
Бушуев А.Ю., Резников А.О. Применение генетического алгоритма в задаче моделирования и оптимизации пневмогидравлической системы синхронизации исполнительных органов. Математическое моделирование и численные методы, 2021, № 3, с. 62–73.