For this exercise, your goal is to

For this exercise, your goal is to build a model to identify inputs or predictors that differentiate risky customers from others (based on patterns pertaining to previous customers) and then use those inputs to predict the new risky customers. This sample case is typical for this domain.
The sample data to be used in this exercise is posted on www.prenhall.com/turban, file name: CreditRisk.xls. The data set has 425 cases and 15 variables pertaining to past and current customers who borrowed from a bank for various reasons. The data set contains various information related to the customers, financial stand- ing, reason to loan, employment, demographic informa- tion, and so on, and finally the outcome or dependent variable for credit standing, classifying each case as good or bad, based on the institution’s past experience.
You should take 400 of the cases as training cases and use the other 25 for testing. Then build a neural network model to learn the characteristics of the problem and test its performance on the other 25 cases. Report on your model’s learning and testing performance. Prepare a report that identifies the neural network architecture, training parameters, and resulting performance on the test set.
(This exercise is courtesy of StatSoft, Inc., based on a German data set from ftp://ftp.ics.uci.edu/pub/ machine-learning-databases/statlog/german renamed CreditRisk and altered.)

Kết quả (Việt) 1:

Đối với tập thể dục này, mục tiêu của bạn là để xây dựng một mô hình để xác định các yếu tố đầu vào hoặc dự đoán phân biệt nguy hiểm khách từ những người khác (dựa trên mô hình liên quan đến trước khách) và sau đó sử dụng những yếu tố đầu vào để dự đoán các khách hàng nguy hiểm mới. Trường hợp mẫu này là điển hình cho tên miền này.Dữ liệu mẫu được sử dụng trong tập thể dục này được đăng trên www.prenhall.com/turban, tên tập tin: CreditRisk.xls. Tập hợp dữ liệu có trường hợp 425 và 15 biến liên quan cho các khách hàng trong quá khứ và hiện tại vay mượn từ một ngân hàng cho các lý do khác nhau. Tập hợp dữ liệu chứa các thông tin liên quan đến khách hàng, tài chính đứng-ing, lý do để cho vay, việc làm, tăng trưởng dân số informa-tion, và do đó trên, và cuối cùng là kết quả hoặc phụ thuộc vào biến cho tín dụng đứng, phân loại mỗi trường hợp là tốt hay xấu, dựa trên kinh nghiệm quá khứ của cơ sở giáo dục.Bạn nên dùng 400 của các trường hợp như trường hợp đào tạo và sử dụng 25 khác để thử nghiệm. Sau đó xây dựng một mô hình mạng nơ-ron để tìm hiểu các đặc tính của vấn đề và kiểm tra hiệu quả của nó trên 25 trường hợp khác. Báo cáo về mô hình của bạn của học tập và thử nghiệm hiệu suất. Chuẩn bị một báo cáo xác định kiến trúc mạng nơ-ron, đào tạo tham số và kết quả hiệu suất trên các thiết lập thử nghiệm.(Tập thể dục này là đúng trách nhiệm của StatSoft, Inc., dựa trên một tập hợp dữ liệu Đức từ ftp://ftp.ics.uci.edu/pub/ máy-học tập-cơ sở dữ liệu/statlog/Đức được đổi tên thành CreditRisk và thay đổi.)

Kết quả (Việt) 2:

Đối với bài tập này, mục tiêu của bạn là xây dựng một mô hình để xác định đầu vào hoặc dự đoán phân biệt khách hàng rủi ro từ những người khác (dựa trên mô hình liên quan đến khách hàng trước đây) và sau đó sử dụng những yếu tố đầu vào để dự đoán các rủi ro khách hàng mới. Trường hợp mẫu này là điển hình cho tên miền này.
Các dữ liệu mẫu được sử dụng trong bài tập này được đăng trên www.prenhall.com/turban, tên file: CreditRisk.xls. Các tập dữ liệu có 425 trường hợp và 15 biến liên quan đến khách hàng trong quá khứ và hiện tại người mượn từ ngân hàng vì các lý do khác nhau. Các tập dữ liệu chứa các thông tin khác nhau liên quan đến khách hàng, ing stand- tài chính, lý do để cho vay, việc làm, nhân khẩu học về thông tin, và như vậy, và cuối cùng là kết quả hay biến phụ thuộc cho đứng tín dụng, phân loại từng trường hợp là tốt hay xấu, dựa trên kinh nghiệm quá khứ của tổ chức.
Bạn nên dùng 400 trong các trường hợp như trường hợp đào tạo và sử dụng 25 để thử nghiệm. Sau đó xây dựng một mô hình mạng thần kinh để tìm hiểu các đặc điểm của vấn đề và kiểm tra hiệu quả của nó trên 25 trường hợp khác. Báo cáo về việc học và kiểm tra hiệu suất của mô hình của bạn. Chuẩn bị một báo cáo xác các kiến trúc mạng nơron, đào tạo các thông số, và kết quả là hiệu suất trên tập kiểm tra.
(Bài tập này là lịch sự của StatSoft, Inc., dựa trên dữ liệu của Đức thiết lập từ ftp://ftp.ics.uci.edu / pub / máy-learning-cơ sở dữ liệu / statlog / Đức đổi tên CreditRisk và thay đổi.)