VI. Kết quả chính đạt đƣợc
2. Mạng nơron nhân tạo
Mạng nơron nhân tạo là một trong những khái niệm cơ bản của trí tuệ nhân tạo nó giúp cho việc hiện thực hóa một số đặc tính mạnh mẽ của não ngƣời trên các hệ thống máy tính. Các mạng nơ-ron học các quan hệ không tuyến tính, các mẫu, và các xu hƣớng trên dữ liệu khi mà huấn luyện các dữ liệu hiện có trên mạng. Cứ mỗi lần huấn luyện dữ liệu, các mạng nơ-ron nhân tạo tạo ra một dự báo chƣa từng nhìn thấy bởi mạng có độ chính xác cao cho một tập dữ liệu sạch trong suốt quá trình huấn luyện. Mạng nơ-ron nhân tạo đƣợc sử dụng trong rất nhiều các ứng dụng, ví dụ nhƣ: ánh xạ không tuyến tính, giảm tải dữ liệu, nhận dạng mẫu, phân cụm, và phân lớp. Chức năng đƣợc quan tâm để xây dựng các mô hình dự báo nợ xấu ở đây chính là chức năng phân lớp.
Trong phạm vi của việc xây dựng các mô hình dự báo nợ xấu, chúng ta sử dụng mạng nơ-ron đƣợc sử dụng phổ biến là mạng nơ-ron ba lớp fee-forward với sự lan truyền trở lại mạng. Mạng nơ-ron này gồm ba lớp: lớp nhập, lớp ẩn và lớp xuất. Mạng nhập đƣợc chèn vào lớp nhập và lớp xuất. Và lớp xuất đƣợc dùng để sinh các kết quả đầu ra. Lớp giữa đƣợc gọi là “lớp ẩn” từ đó nó không tƣơng tác trực tiếp với môi trƣờng xung quanh. Tất cả các lớp chứa một số lƣợng nơ-ron kết nối với nhau đƣợc coi nhƣ là sự liên kết các trọng điểm. Số lƣợng các nơ-ron trong mạng chính bằng số lƣợng các đầu vào của mạng. Trong khi đó thì số lƣợng các nơ-ron trong lớp xuất cũng tƣơng ứng các đầu ra của hệ thống. Mỗi nơ-ron bao gồm 2 thành phần: thành phần nut tổng và thành phần chức năng vận chuyển hình xích-ma. Nut tổng tính toán việc sinh ra mỗi giá trị đầu vào thông thƣờng và giá trị trọng tâm. Vấn đề của các phƣơng pháp bao gồm việc tìm ra một tập các trọng điểm liên kết phù hợp bằng cách sử dụng một giải thuật tối ƣu làm cho lỗi sinh ra giữa việc dự báo và thực nghiệm đầu ra là nhỏ nhất.
Không giống nhƣ các phƣơng pháp thống kê, các mạng nơ-ron không phụ thuộc vào giả thuyết về tính độc lập và phân bố của phần dƣ hoặc tính cộng tuyến của các biến đầu vào. Ngoài ra, một lƣợng dữ liệu lớn đƣợc yêu cầu cho
việc huấn luyện, và các tham biến của mạng nơ-ron (việc liên kết các trọng điểm) cung cấp nhận định nội tại bên trong các đặc tính vật lý của tiến trình. Đây là một nhƣợc điểm bởi vì các trọng điểm không thể dễ dàng chuyển đổi sang các luật if-then để có thể hiểu đƣợc.