Предположим, вы разрабатываете систему прогнозирования - Ответ на вопрос по МО №2490418

Вопрос

Предположим, вы разрабатываете систему прогнозирования кредитного рейтинга заемщиков на основе прямого произведения искусственных нейронных сетей (ППИНС). У вас есть две уже обученные искусственные нейронные сети (ИНС): ИНС 1: обучена на исторических данных о погашении кредитов (сумма кредита, срок, процентная ставка, кредитная история); ИНС 2: обучена на данных из социальных сетей заемщиков (количество друзей, активность, интересы). Обе ИНС демонстрируют приемлемую точность, но есть подозрение, что они выявляют разные, частично пересекающиеся факторы, влияющие на кредитный рейтинг. Ваша главная цель — учесть вклад каждой ИНС в конечный прогноз в зависимости от ее индивидуальной точности и значимости выявленных факторов? Какую архитектуру ППИНС следует выбрать для объединения этих двух ИНС? Поясните ответ.

• Параллельное объединение с последующим обучением: простое усреднение выходов: берется среднее значение выходов обеих ИНС. Эта дополнительная ИНС обучается на данных, содержащих как прогнозы отдельных ИНС, так и фактические кредитные рейтинги.
• Взвешенное усреднение выходов: каждой ИНС присваивается весовой коэффициент, отражающий ее вклад в конечный прогноз. Весовые коэффициенты определяются экспертным путем или на основе анализа точности каждой ИНС на проверочной выборке.
• Параллельное объединение с последующим обучением: выход первой ИНС (например, предсказанный кредитный рейтинг) подается на вход второй ИНС. Эта дополнительная ИНС обучается на данных, содержащих как прогнозы отдельных ИНС, так и фактические кредитные рейтинги.
• Параллельное объединение с последующим обучением: выходы обеих ИНС объединяются в один вектор, который подается на вход дополнительной обучаемой ИНС. Эта дополнительная ИНС обучается на данных, содержащих как прогнозы отдельных ИНС, так и фактические кредитные рейтинги.

Ответ