61
представления правил в иерархической, последовательной структуре, где
каждому объекту соответствует единственный узел, дающий решение.
Суть этого метода заключается в следующем.
На основе данных предыдущих периодов строится дерево. Кроме того,
класс каждой из ситуаций, на основе которых строится дерево, известен
заранее. В нашем случае вы должны знать, была ли возвращена основная
сумма долга и процентов и не было ли просроченных платежей. Когда дерево
построено, все известные ситуации в обучающем образце сначала попадают в
верхний узел, а затем распределяются между узлами, которые, в свою очередь,
также могут быть разделены на вторичные узлы. Критерии разделения - это
разные значения входного коэффициента. Чтобы определить область, по
которой будет происходить разделение, используется индикатор, называемый
энтропией, или мерой неопределенности. Поле выбирается путем деления, где
устраняется больше неопределенности. Неопределенность тем больше, чем
больше примесей (объектов, принадлежащих к разным классам) находятся в
одном узле. Энтропия равна нулю, если узел будет содержать объекты,
принадлежащие к одному и тому же классу.
Полученная модель используется для определения класса (давать / не
давать кредит) вновь возникающих ситуаций (была получена заявка на
кредит).
При существенном изменении текущей рыночной ситуации дерево
можно реконструировать, то есть адаптировать к существующей ситуации.
Используя этот подход, вы можете устранить недостатки системы
кредитного скоринга. Дополнительные усовершенствования модели оценки
кредитоспособности человека на основе технологии интеллектуального
анализа данных DataMining (посредством использования деревьев решений)
могут повлиять на следующие моменты: более точный выбор факторов,
определяющих заемщика; изменяя саму проблему, например, вместо двух
значений параметра назначения вы можете использовать более подробную
информацию (возвращено / не возвращено / не вовремя), или целевым