|
Результаты коммерческой
Результаты классификации с помощью нейронных сетей 173
Таблица 2.1. Результаты классификации (невязка при повторной подстановке) для задачи с ирисами Фишера
После того, как сеть обучена, становится возможным проследить для каждого входного решающего (determinant) вектора результаты классификации реальных доходов. Для каждого временного отрезка мы можем вычислить так называемое решающее значение классификации. Эта величина показывает, насколько оба внутренних выходных сигнала были далеки от порога, установленного для принятия решения («сила сигнала»). В нашей реализации мы просто берем среднее сил обоих сигналов. Расстояние от сигнала до порога может принимать значения от 0 до 0.5. Мы берем 0.5 за 100%, так что величина решающего значения может меняться от 0 до 100. Теперь можно определить вклад каждой из компонент входного вектора в решающую способность на взятом отрезке времени. Делается это так: временно предполагается, что значение компоненты неизвестно, и изучается изменение решающей способности на выходе. Вместо неизвестного входного значения внутрь нейронной сети вводится среднее арифметическое значение (или безусловное математическое ожидание) соответствующих входных значений. После того, как влияние всех входов вычислены, они масштабируются так, чтобы наибольшая абсолютная величина вклада у каждого входа равнялась 100. В табл. 6.7 представлен репрезентативный временной срез выходных значений.
Столбец «Выход» содержит результаты классификации, выданные сетью, а в столбце «Цель» указан настоящий номер класса. «ABSERR» — это абсолютная ошибка классификации, т.е. расстояние до настоящего класса, a «DECISIVN» — определенная выше величина решающей способности. На всем материале не произошло ни одной грубой ошибки в классификации— величина ABSERR ни разу не превосходит двух. Переменная временной структуры имеет сильную распознающую роль. Премия за риск, наоборот, представляется лишней переменной. Месячное производство приобрело несколько большее значение, в то время как вклад переменных, выражающих инфляцию, неясен. Результаты такого анализа, которые репрезентативны для всего набора данных, не вполне согласуются с той интерпретацией роли переменных, которую мы получили при изучении погрешности. Однако это противоречие— скорее, кажущееся, по-
Архитектура сети такова: 17-мерный входной вектор, один скрытый слой из 9 элементов, и все эти узлы имеют непосредственные соединения с двумя бинарными элементами выходного слоя. В табл. 6.9 приведены репрезентативные результаты классификации и влияния отдельных переменных.
С помощью нелинейного анализа главных компонент (АГК) мы не только преобразовали буквенные и порядковые переменные в числовые, но и уменьшили размерность множества данных с 26 (число переменных) до 5 (число значимых факторов). После этого, конечно, становится труднее представить себе суть этих новых составных переменных и понять, какое влияние каждая из них оказывает на результаты классификации. При АГК для каждого наблюдения вычисляются определенные числовые показатели этого объекта в каждом значимом измерении. Эти показатели (которые можно назвать количественными выражениями того, обладает ли объект тем или иным свойством) и используются в качестве входных данных для MDA. В итоге АГК дает новый набор данных меньшей размерности, чем у исходного (5 вместо 26), где уже все переменные являются числовыми. Конечно, эти два набора данных тесно связаны, поскольку
Таблица 8.6. Метод повторной подстановки. Результаты классификации для 5-2-1 модели и MDA
Таблица 8.8. Результаты классификации для MDA
Оценивая результаты классификации по методу MDA, мы видим значительную долю ошибочных решений по компаниям-банкротам (группа 1) — одной из них кредит был бы предоставлен. Фирмы с неясным положением (группа 2) с трудом поддаются правильной классификации, потому что, в конечном итоге, они могут попасть в 1-ю или 3-ю группу. Дело нельзя улучшить, приводя априорные вероятности в соответствие с представлениями банка о вероятности принадлежности фирмы различным группам. Общий показатель правильности прогноза составил всего 56.6%, причем из 1-й группы правильно классифицированы были только 30%.
ша задача в какой-то степени нелинейна, этот метод представляется подходящим. Результат аппроксимации выборочного распределения (с применением обычного евклидова расстояния) этим непараметрическим методом может быть лучше, чем в предыдущем случае. Однако приведенные в табл. 8.9 результаты классификации говорят об обратном. Возможно, более подходящими для данной задачи оказались бы NN-методы более высокого порядка (например, 3-NN).
Таблица 8.9. Результаты классификации для метода ближайших соседей
Широкое использование математических методов является важным направлением совершенствования экономического анализа, повышает эффективность анализа деятельности предприятий и их подразделений. Это достигается за счет сокращения сроков проведения анализа, более полного охвата влияния факторов на результаты коммерческой деятельности, замены приближенных или упрощенных расчетов точными вычислениями, постановки и решения новых многомерных задач анализа, практически не выполнимых вручную или традиционными методами.
Широкое использование математических методов является важным направлением совершенствования экономического анализа, повышает эффективность анализа деятельности предприятий и их подразделений. Это достигается за счет сокращения сроков проведения анализа, более полного охвата влияния факторов на результаты коммерческой деятельности, замены приближенных или упрощенных расчетов точными вычислениями, постановки и решения новых многомерных задач анализа, практически не выполнимых вручную или традиционными методами.
Результаты коммерческой деятельности по созданию программных продуктов по заявкам не относятся к нематериальным активам, поскольку права на них, экономические выгоды и рис-
Результаты коммерческой деятельности конкурирующих предприятий Прибыль, рентабельность, издержки Справочники, информация для акционеров и инвесторов, экономический шпионаж
Результаты коммерческой деятельности по созданию программных продуктов по заявкам не относятся к нематериальным активам, поскольку права на них, экономические выгоды и рис-
снижение объемов продаж и вместе с ним сокращение прибыли вплоть до возникновения убытков (результаты коммерческой деятельности предприятия становятся отрицательными). На этой стадии единственной целью предприятия становится либо продолжение его операций в течение определенного периода времени для минимизации убытков, либо выживание на рынке (сохранение его жизнеспособности) с последующим использованием его ресурсной базы для новой рыночной экспансии.
снижение объемов продаж и вместе с ним сокращение прибыли вплоть до возникновения убытков (результаты коммерческой деятельности предприятия становятся отрицательными). На этой стадии единственной целью предприятия становится либо продолжение его операций в течение определенного периода времени для минимизации убытков, либо выживание на рынке (сохранение его жизнеспособности) с последующим использованием его ресурсной базы для новой рыночной экспансии.
В российской практике коммерческого предпринимательства матрицу БКГ используют в качестве анализа хозяйственного портфеля для всех структурных единиц, в том числе филиалов, наделенных высокой степенью автономии и несущих полную ответственность за результаты коммерческой деятельности перед руководством компаний. Именно анализ матрицы БКГ позволяет обосновать зону рыночного присутствия каждой стратегической хозяйственной единицы.
Выбор правильного критерия сегментации в существенной мере влияет на конечные результаты коммерческой деятельности. Например, разрабатывая рыночную стратегию и тактику реализации модели автомобиля «Мустанг», компания «Форд Моторс» (США) в качестве базового критерия сегментации выбрала возраст покупателей. Модель предназначалась для молодежи, желающей приобрести недорогой спортивный автомобиль. Однако, выпустив машину на рынок, руководство фирмы, к своему удивлению, обнаружило, что модель пользуется спросом у покупателей всех возрастов. Напрашивался вывод, что в качестве базовой сегментной группы следовало выбрать не молодежь, а «психологически молодых» людей. Этот пример говорит о необходимости учитывать при сегментации психологические факторы.
• ключевые результаты коммерческой деятельности;
проведении бизнес-операций, осуществлении сделок. Состоит в возможном, вероятном, случайном снижении, потере доходов, имущественных ценностей, денежных средств предпринимателя, возникающих в условиях неопределенности, недостатка информации о состоянии рынка, невозможности точно предвидеть ход событий, влияющих на результаты коммерческой деятельности.
Разделение переменных Разделение выделение Разграничения предметов Работников функциональных Различают физический Различают производственную Различные аналитические Различные функциональные Различные информационные Различные изменения Различные компоненты Различные маркетинговые Различные национальные вывоз мусора снос зданий
|
|
|
|
Навигация
