انواع مدل‌های اعتبارسنجی شبکه عصبی

مقدمه:

صنعت اعتبار طی دو دهه اخیر با رشد سریع همراه بوده است؛ به عنوان مثال، اعتبار اقساطی، وام‌های مسکن به خانوارهای تک‌نفره، تأمین مالی خرید خودرو و تخصیص کارت اعتباری که به طرز چشمگیری افزایش یافته‌اند. مدل‌های اعتبارسنجی به طور گسترده در صنعت مالی استفاده شده‌اند تا گردش نقدینگی و جمع‌آوری اعتبار بهبود پیدا کند. در چند دهه‌ی گذشته، روش‌های کمّی موسوم به مدل‌های اعتبارسنجی برای اتخاذ تصمیم درخصوص اعطای اعتبار به کار برده شده‌اند. هدف از مدل‌های اعتبارسنجی کمّی این است که متقاضیان اعتبار در دو گروه متفاوت طبقه‌بندی شوند: گروه «اعتبار خوب» که احتمال می‌رود تعهدات مالی خود را به‌موقع بازپرداخت کنند، یا گروه «اعتبار بد» که مشمول تخصیص اعتبار نمی‌شود چرا که این احتمال وجود دارد اعضای این گروه در بازپرداخت تعهدات مالی خود نکول کنند.

اولین مدل استفاده شده برای اعتبارسنجی که حتی امروزه نیز به طور متداول به کار می‌رود، آنالیز تشخیص خطی است. این روش آماری ماهیت پارامتری دارد و فاقد پیچیدگی است. با توجه به رشد صنعت اعتبار و وام‌هایی که باید مدیریت شوند، شاهد توسعه‌ی مدل‌های دقیق‌تری برای اعتبارسنجی بوده‌ایم. حتی اگر این مدل‌ها موفقیت اندکی در افزایش دقت اعتبارسنجی داشته باشند، پیشرفت قابل ملاحظه‌ای ایجاد خواهد شد. امروزه، بررسیِ روش‌های آماری غیرپارامتری، درخت‌های طبقه‌بندی و فناوری شبکه عصبی در دستور کار قرار دارد و هدف از این اقدام، به‌کارگیری روش‌های یاد شده در امور اعتبارسنجی است. تعداد زیادی از سازمان‌ها در صنعت اعتبار در حال توسعه‌ی مدل‌های تازه‌ای برای پشتیبانی از تصمیم اعتباردهی هستند. افزایش دقت و کارایی از جمله مهم‌ترین اهداف مدل‌های جدید اعتبارسنجی برشمرده می‌شود؛ به عبارت دیگر، متقاضیانی که شایستگی بالایی برای دریافت اعتبار دارند، در اولویت قرار می‌گیرند و این اقدام نقش موثری در افزایش سود دارد. از سوی دیگر، متقاضیانی که فاقد معیارهای لازم برای دریافت اعتبار هستند، از فهرست کنار گذاشته می‌شوند.

در ادامه به ارائه توضیحی درخصوص انواع مدل‌های اعتبارسنجی و مقایسه آنها با یکدیگر پرداخته می‌شود.

مدل‌های اعتبارسنجی شبکه عصبی:

در این بخش، الگوهای متفاوت شبکه عصبی مورد بررسی قرار گرفته است:

1) MLP: شبکه عصبی پرسپترون چندلایه

2) MOE: ترکیبی از کارشناسان

3) RBF: تابع پایه شعاعی

4) SVM: ماشین‌های بردار پشتیبان

5) SOM: شبکه عصبی کوهنن

6) LVQ: کمیت‌سنجی بردار یادگیری

7) Hopfield: شبکه عصبی هاپفیلد

8) FAR: رزونانس تطبیق‌پذیر فازی

1- MLP، پرکاربردترین مدل شبکه عصبی در حوزه تجاری (از قبیل اعتبارسنجی) است. این مدل‌ها از الگوریتم‌های مختلفی برای تخمین تابع اعتبارسنجی استفاده می‌کنند و روش‌های آموزش متفاوتی نیز برای کسب اطلاعات از نمونه‌های موجودِ اعتبارسنجی به کار می‌گیرند؛ از این‌رو، طبیعی است که سطوح دقت پیش‌بینی در مدل‌های شبکه عصبی متفاوت باشد و بسته به نوع مدل شبکه عصبی، تغییر کند.

مدل MLP (پرسپترون چند لایه) مربوط به شبکه متشکل از دو خروجی، دو ورودی و یک لایه پنهان در شکل زیر نشان داده شده است. مستطیل‌ها نشان‌دهنده‌ نورون‌ها هستند و پیکان‌ها نیز مقادیر وزنی پیوندهای پیش‌خور میان نورون‌ها را نشان می‌دهند. چهار پیوندی که فاقد منبع هستند، همگی به یک واحد بایاس (bias unit) تعلق دارند که به خاطر سادگی نشان داده نشده‌اند. یک مقدار داده به نورون‌های ورودی اختصاص داده می‌شود؛ ماحصل این کار، فعال شدنِ نورون‌های خروجی است. در هر لایه، فرایند انتشار (propagation) به صورت زیر انجام می‌گیرد. در ابتدا، مجموع وزنی در هر نورون محاسبه می‌شود؛ که همان مقدار خروجی هر نورون در لایه شبکه بعدی است. مقدار خروجی Y مربوط به نورون خروجی k به صورت تابعی از مقادیر ورودی و وزن‌های شبکه w بیان می‌شوند.

2- MOE، با شبکه عصبی MLP فرق دارد و فضای اعتبارسنجی را به مناطق همگن تقسیم کرده و از کارشناسان محلی (منطقه‌ای یا مکانی) برای کنترل بخش‌های خاص استفاده می‌کند. شبکه MOE مشخص می‌کند که کدام یک از شبکه‌های محلی باید ورودی معینی را به نمایش بگذارد. خروجی شبکه MOE، میانگین وزنی خروجی‌های کارشناسان منطقه‌ای است.

3- شبکه عصبیRBF، یکی از قدرتمندترین شبکه‌های عصبی مورد استفاده در مسائل تخمین تابع است. این نوع شبکه نسبت به شبکه‌های عصبی پرسپترون، مزایای استراژیکی دارد. شبکه‌ عصبی RBF برای یادگیری، شناسایی، همسان‌سازی و کنترل سیستم‌های غیرخطی پویا و همچنین پیش‌بینی سری‌های زمانی، مورد استفاده قرار می‌گیرند. برخلاف شبکه‌های MLP که دارای لایه‌های متوالی متعددی هستند، شبکه RBF از سه لایه ثابت تشکیل شده است. لایه ورودی که محل سیگنال‌های ورودی به شبکه است، لایه میانی یا طبقه RBF که شامل توابع RBF می‌شود و لایه خروجی که ترکیبی خطی از کلیه خروجی‌های طبقه RBF را می‌سازد.

4- ماشین‌های بردار پشتیبان یا SVM، با شبکه‌های قبلی متفاوت هستند. در شبکه‌های عصبی که تاکنون مورد بحث قرار گرفتند، عمده توجه شبکه بر بهینه کردن ساختار بود، به طوری که درصد خطای شبکه عصبی به کمترین حد خود برسد. اما در شبکه‌های عصبی‌ای که آن‌ها را ماشین‌های بردار پشتیبان می‌نامیم، صرفاً بر روی کاهش ریسک عملیات که ناشی از عدم عملکرد صحیح است، تمرکز می‌شود. فیزیک این نوع شبکه، شباهت زیادی به شبکه عصبیMLP  دارد و تنها تفاوت عمده، در شیوه یادگیری‌ ماشین‌های بردار پشتیبان‌ است.

5- شبکه عصبی کوهنن (SOM)، که به آن نقشه خودسازمانده یا Self-Organizing Map هم می‌گویند، نوع خاصی از شبکه عصبی ا‌ست که از هر نظر با انواع شبکه‌های عصبی که تاکنون مورد بررسی قرار گرفته‌اند، فرق می‌کند. این شبکه عصبی در حل مسائل، از روش یادگیری بدون نظارت، استفاده می‌کند. در واقع کار اصلی این شبکه پیدا کردن شباهت‌ها در میان انبوهی از دیتا است.

6- شبکه عصبی LVQ، نسبت به شبکه‌های عصبی کوهنن مدل پیشرفته‌تری است که برای یادگیریِ آن از روش حل مسائل با نظارت استفاده می‌شود. این نوع شبکه عصبی در حل مسائل طبقه‌بندی شده کاربرد دارند. مدل LVQ نیز یک شبکه سه‌لایه ساده است که تصمیم اعتبارسنجی را با استفاده از نورون‌های لایه پنهان اتخاذ می‌کند.

7- شبکه عصبی هاپفیلد، یکی از قدیمی‌ترین انواع شبکه‌های عصبی است که با ساختار بازگشتی خود، بازخوردهای داخلی ایجاد می‌کند. هاپفیلد عملکردی شبیه به یک سیستم حرکتی با دو یا چند نقطه تعادل دارد. الگوریتم این شبکه به این صورت است که با شروع از هر وضعیت به یکی از نقاط تعادل خود همگرا می‌شود. از شبکه عصبی هاپفیلد می‌توان به عنوان یک راه حل برای مسائل طبقه‌بندی‌شده استفاده کرد.

8- FAR، شبکه پویایی است که در آن، الگوهای ورودی در یک سیستم دولایه عمل می‌کنند. مدل FAR از دو لایه به هم پیوسته از نورون تشکیل یافته است که به عنوان لایه مکمل و لایه دسته یا طبقه شناخته می‌شوند (افزون بر لایه‌های ورودی و خروجی). وقتی بردار ورودی در شبکه به کار برده می‌شود، نورون‌های موجود در لایه مکمل برای بازه زمانی کوتاهی فعال می‌شوند. این فعالیت از طریق بردار وزنی به نورون‌های موجود در لایه دسته یا طبقه انتقال می‌یابد. هر نورون موجود در لایه دسته به محاسبه‌یِ حاصل‌ضرب وزن‌ها و مقادیر ورودی می‌پردازد. رزونانس سیگنال‌ها بین دو لایه می‌تواند سیگنال را تقویت کند، تا زمانی که مطابقت با یکی از بردارهای وزنی خروجی برقرار شود.