|
|
Využití konvolučních neuronových sítí pro predikci finančního selhání podniků
Šebestová, Monika ; Chramcov, Bronislav (oponent) ; Lenort, Radim (oponent) ; Režňáková, Mária (oponent) ; Dostál, Petr (vedoucí práce)
Dizertační práce se zabývá využitím konvolučních neuronových sítí pro predikci finančního selhání podniků. Při zpracování literární rešerše byla použita bibliometrická analýza, která umožnila lepší orientaci ve vědeckých pracích zaměřených na metody a přístupy využívané v minulosti pro predikci finančního selhání podniků. Na základě získaných poznatků byl navržen model hlubokého učení s architekturou GoogLeNet, jehož vstupy tvoří finanční a makroekonomické ukazatele podniků. Modelování bylo založeno na metodě transfer learning (přenosové učení), při které je možné doladit parametry předem vytvořených sítí a urychlit tak proces učení konvoluční neuronové sítě. Výchozí soubor finančních a makroekonomických ukazatelů byl sestaven z proměnných, které byly ve vědeckých pracích nejčastěji používány v modelech predikce selhání podniků. Pro konkrétní výběr ukazatelů, z nichž je model sestaven, byly použity vhodné statistické metody. Vzhledem k tomu, že konvoluční neuronové sítě pracují nejlépe se zpracováním obrazu, byly kvantitativní hodnoty vstupní ukazatelů graficky interpretovány a zkoumáno, který typ grafického zpracování je nejvhodnější pro predikci selhání firem. Z důvodu existence nevyváženého datového souboru byl v práci analyzován vliv metody SMOTE na přesnost predikce modelu. Metoda byla použita pro navýšení počtu vzorků minoritní třídy podniků. Při modelování predikce finančního selhání bylo navrženo a testováno několik variant modelů, které se lišily podobou vstupních dat. Bylo testováno, jakým způsobem ovlivní přesnost predikce odstranění odlehlých hodnot z datového souboru, časový okamžik, ze kterého data pocházejí nebo metoda výběru prediktorů. Na výsledném modelu byly dále doladěny parametry tak, aby byl schopen klasifikovat podniky z nových reálných dat. Z provedeného výzkumu vyplynulo, že s použitím správného typu grafického zpracování vstupních dat, techniky SMOTE a vhodným nastavením parametrů, dokáží konvoluční neuronové sítě s vysokou přesností předpovídat finanční selhání podniků.
|
|
|
Imbalanced data training approaches in neural network
Vicianová, Veronika ; Ředina, Richard (oponent) ; Jakubíček, Roman (vedoucí práce)
This thesis deals with the research and implementation of methods that eliminate the influence of an imbalanced dataset on the learning of neural networks. Individual methods are compared with each other for different levels of imbalance. The experiments carried out in the work are also compared with the available literature and a control experiment, which was carried out without the method of eliminating the influence of an imbalanced dataset. The experiments are extended to another dataset containing the original imbalance and compared. In the theoretical section, the topic of neural networks and the problems that may occur during learning are brought up. Subsequently, convolutional networks and their optimization algorithms are presented. The thesis also contains a more detailed presentation of the issue of an imbalanced dataset, including the metrics used in experiments and approaches used to eliminate this problem.
|
host ::
RSS.