Luận văn Học mạng nơron theo mô hình SOM và ứng dụng trong bài toán quản lý khách hàng vay vốn ngân hàng

Training: 0/ 0 s 
Training: 0/ 0 s 
Final quantization error: 1.071 
Final topographic error: 0.033 
pause % An phim bat ky de tiep tuc... 
-66- 
% BUOC 4: TRUC QUAN HOA SELF-ORGANIZING MAP: SOM_SHOW 
% ===================================================== 
colormap(1-gray) 
som_show(sMap,'norm','d') 
pause % An phim bat ky de tiep tuc... 
-67- 
% BUOC 4: TRUC QUAN HOA SELF-ORGANIZING MAP: SOM_SHOW 
% ===================================================== 
h=zeros(sMap.topol.msize); h(1,2) = 1; 
som_show_add('hit',h(:),'markercolor','r','markersize',0.5,'subplot','all') 
pause % An phim bat ky de tiep tuc... 
-68- 
% BUOC 4: TRUC QUAN HOA SELF-ORGANIZING MAP: SOM_SHOW 
% ===================================================== 
som_show(sMap,'umat','all','empty','Labels') 
pause % An phim bat ky de tiep tuc... 
-69- 
Kết quả trên cho thấy thông tin khách hàng sử dụng công cụ SOM ToolBox có 03 
cụm: 
Cụm 1: có khách hàng BR 
Cụm 2: gồm các khách hàng A, D, FA, CE, B, CA, BD, CH, BA, CD, BN, BC, CK, 
 CS, BJ. 
Cụm 3: gồm các khách hàng AL, AW, AX, CB, AP, AV, DO, AQ, CZ, CP, BF, 
 BY, T, AJ, EQ, X, AH, CM, BE, H, P, CN, CL, BQ, J, S, BW, BM, CX, CU. 
% BUOC 4: TRUC QUAN HOA SELF-ORGANIZING MAP: SOM_SHOW 
% ===================================================== 
som_show_add('label',sMap,'Textsize',8,'TextColor','r','Subplot',2) 
pause % An phim bat ky de tiep tuc... 
-70- 
% STEP5: CLUSTERING OF THE MAP 
% ===================== 
sM = som_autolabel(sM,sD,'vote'); 
kich thuoc cua bmu: 150 
kich thuoc cua Labels: 66 
subplot(1,3,1) 
[c,p,err,ind] = kmeans_clusters(sM, 7); %Chia SOM thành 07 cum 
n_max: 7 
c_max: 5 
 plot(1:length(ind),ind,'x-') 
[dummy,i] = min(ind) 
dummy = 0.7652 
i = 5 %So cum co duoc tu thuat toán 
subplot(1,3,2) 
[Pd,V,me,l] = pcaproj(sD,2); Pm = pcaproj(sM,V,me); 
Code = som_colorcode(Pm); 
hits = som_hits(sM,sD); 
U = som_umat(sM); 
Dm = U(1:2:size(U,1),1:2:size(U,2)); 
Dm = 1-Dm(:)/max(Dm(:)); Dm(find(hits==0)) = 0; 
som_cplane(sM,Code,Dm); 
subplot(1,3,3) 
som_cplane(sM,cl) 
pause % Strike any key to continue... 
-71- 
3.4.3 So sánh với các công cụ khác 
Cho đến nay phần lớn các ứng dụng của SOM được xây dựng bằng các phần mềm 
bởi các nhà nghiên cứu. Công cụ SOM ToolBox và SOM_PAK là các công cụ có 
sẵn và không cần bản quyền. Trong phạm vi của luận văn đã sử dụng công cụ SOM 
ToolBox để áp dụng cho bài toán phân loại khách hàng tín dụng của Ngân hàng. 
Công cụ SOM_PAK, một công cụ của có giá trị của trường Đại học Kỹ thuật 
Helsinki. SOM_PAK đặc biệt phù hợp với các nghiên cứu khoa học chạy trên máy 
UNIX, không dùng cho các hệ điều hành của Microsoft (MS DOS, WINDOWS). 
Ngoài ra, còn có các công cụ phần mềm thương mại cho SOM có trên thị trường 
[8]. Về cơ bản các phần mềm này cũng được xây dựng là như nhau. Tuy nhiên các 
phần mềm thương mại được thiết kê phù hợp với các hệ điều hành chuẩn và có 
thêm bước xử lý trước và xử lý sau dữ liệu. Sau đây là một danh sách các phần 
mềm thương mại hiện có: 
1. SAS Neural Network Application 
2. Professional II+ from NeuralWorks 
3. MATLAB Neural Network Toolbox 
4. NeuroShell2/NeuroWindows 
5. NeuroSolutions v3.0 
6. NeuroLab, A Neural Network Library 
7. havFmNet++ 
8. Neural Connection 
9. Trajan 2.1 Neural Network Simulator 
10. Viscovery® 
Một công cụ mới nhất hiện nay là Viscovery®, một sản phẩm của Eudaptics 
Software GmbH, là công cụ có giao diện thân thiện, linh hoạt và là công cụ mạnh 
cho việc tạo SOM. Viscovery® cung cấp một số đặc điểm quan trọng cần thiết 
-72- 
trong các ứng dụng tài chính, kinh tế và marketing mà ở các công cụ không có bản 
quyền không có được. 
Dưới đây là một số so sánh giữa các công cụ SOM với nhau [8] 
Các chỉ tiêu Viscovery® SOM_PAK SOM Toolbox NeNet 
Hệ điều hành Windows 95 
Windows NT 
4.0 
UNIX 
Ms DOS 
MatLab 
Version 5.0 trở 
lên 
Windows 
Tiền xử lý Có 4 chọn lựa không có Có Có 
Đặc điểm SOM 
• Thuật toán Thuật toán 
chuẩn 
Thuật toán 
chuẩn 
Thuật toán chuẩn Thuật toán 
chuẩn 
• Kích thước ma 
trận 
Không giới 
hạn. 
Không giới 
hạn. 
Không giới hạn. 
Không giới 
hạn. 
• Khởi tạo ma 
trận 
Lục giác. 
Chữ nhật, lục 
giác. 
Chữ nhật, lục 
giác. 
Chữ nhật, lục 
giác. 
• Huấn luyện Mặt phẳng 
chính 
Tuyến tính, 
ngẫu nhiên 
Tuyến tính, ngẫu 
nhiên 
Tuyến tính, 
ngẫu nhiên 
• Gán nhãn Định nghĩa 
trước 
Bất kỳ giai 
đoạn nào 
Bất kỳ giai đoạn 
nào 
Bất kỳ giai 
đoạn nào 
• Xử lý thành 
phần thiếu 
Tự động, 
bằng tay, kéo 
thả 
Tự động, bằng 
tay 
Tự động, bằng 
tay 
Tự động, bằng 
tay 
• Tốc độ Có thể xử lý, 
Nhanh 
Có thể xử lý, 
Nhanh 
Có thể xử lý, 
Vừa phải 
Có thể xử lý, 
Nhanh 
• Giới hạn đầu Không Không Không Tối đa 
[100x100] 
-73- 
vào 
• Trực quan hoá 
U-matrix, 
component 
planes, 
trajectories, 
Iso-contours 
U-matrix, 
component 
planes, 
trajectories 
U-matrix, 
component 
planes, 
trajectories, 
hit historgrams 
U-matrix, 
component 
planes, 
trajectories, 
hit 
historgrams 
Xử lý sau Có Có Không Không 
Giao diện Thân thiện. 
Giao diện 
OLE: MS 
Excel, Text 
file, 
SQL & DB2 
Câu lệnh C. 
Giao diện OLE: 
Text file 
GUI (Matlab) 
Giao diện OLE: 
Text file 
GUI 
(Windows 95) 
Giao diện 
OLE: Text 
file 
3.5 Kết luận chương 3 
Áp dụng phương pháp SOM vào bài toán cụ thể trong Ngân hàng, bài toán phân 
tích thông tin khách hàng là các Doanh nghiệp có nhu cầu vay vốn. Nội dung chính 
trong chương này là: 
- Tìm hiểu về quy trình tác nghiệp tại phòng Tín dụng của Ngân hàng đã 
giải quyết bài toán. 
- Tìm hiểu bộ công cụ SOM ToolBox, từ đó xây dựng chương trình giải 
quyết bài toán. 
- Một số kết quả thu được khi chạy chương trình. 
- Đánh giá, so sánh bộ công cụ SOM Toolbox với các công cụ khác trên thị 
trường. 
-74- 
KẾT LUẬN 
Mạng nơron là một phương pháp rất thích hợp trong khai phá dữ liệu với mô hình 
học máy, đặc biệt là học không giám sát. Với trên 5000 ứng dụng trên nhiều lĩnh 
vực, thuật toán học mạng nơron theo SOM rất hữu dụng trong các bài toán tài chính 
kinh tế. Nhiều công trình nghiên cứu đã khẳng định thuật toán SOM là phù hợp với 
các ứng dụng có khối lượng dữ liệu lớn như dữ liệu trong Ngân hàng. 
1. Luận văn đã thực hiện được kết quả sau: 
- Trình bày một cách tổng quát về mô hình mạng nơron và ứng dụng mạng 
nơron trong khai phá dữ liệu. Trình bày một cách hệ thống các giải pháp học 
mạng nơron không giám sát và có giám sát. 
- Nghiên cứu, phân tích việc sử dụng thuật toán SOM giải quyết bài toán phân 
cụm theo mô hình mạng nơron. 
- Nghiên cứu cấu trúc hoạt động của bộ công cụ SOM Toolbox và phương 
pháp sử dụng công cụ để giải quyết bài toán phân cụm dữ liệu. 
- Xây dựng bài toán phân tích thông tin khách hàng tại Ngân hàng và sử dụng 
công cụ SOM Toolbox để giải quyết bài toán được đề xuất. Các kết quả thử 
nghiệm là phù hợp với các phân tích của các nhà chuyên môn trong lĩnh vực 
Ngân hàng. 
2. Trong quá trình nghiên cứu để hoàn thành luận văn, thông qua việc tổng hợp và 
phân tích một hoạt động cốt yếu của Ngân hàng là phân tích thông tin khách hàng 
vay vốn, tôi nhận thấy việc phát triển nội dung luận văn là rất cần thiết để sử dụng 
mạng nơron trong khai phá dữ liệu Ngân hàng. Để mở rộng kết quả nội dung của 
luận văn này, hướng nghiên cứu và phát triển tiếp theo là tìm hiểu các phương pháp 
sinh luật từ mạng nơron (phần này đã được đề cập trong chương 1) và ứng dụng hỗ 
trợ quyết định trong đầu tư tài chính. 
-75- 
TÀI LIỆU THAM KHẢO 
TÀI LIỆU TIẾNG VIỆT 
[1]. Nguyễn Đình Thúc (2000), Trí tuệ nhân tạo Mạng nơron phương pháp & ứng 
dụng, Nhà xuất bản Giáo Dục. 
[2]. Trần Đức Minh (2002), Mạng nơron truyền thẳng và thuật toán lan truyền 
ngược, Luận văn Thạc sĩ cao học, Khoa Công nghệ, Trường Đại học Quốc gia 
Hà Nội. 
TÀI LIỆU TIẾNG ANH 
[3]. Bart De Ketelaere, Demitrios Moshou, Peter Coucke, Josse De Baerdemaeker 
(1997), A herachical Self-Organizing Map for classification problems. 
[4]. Boris Kovalerchuk & Evgenii Vityaev (2001), Data mining in finance advances 
in Relational and Hybrid Methods, Kluwer Academic Publishers. 
[5] David Sommer & Martin Golz (2001), Clustering of EEG-Segments Using 
Heirarchical Agglomerative Methods and Self-Organizing Maps, University of 
Applied Sciences Germany, Department of Computer Science. 
[6].Ed Guido Deboeck & Teuvo Khohonen (1998), Visual Intelligence in Finance 
using Self-organizing Maps, Chapter 7: Self-organizing Maps for Initial Data 
Analysis: let Financial Data Speak for Themselves, Speinger Verlag. 
[7]. Guido Deboeck, Ph.D (1999), Self-Organizing Maps facilitate knowleadge 
discovery in finance. 
[8]. Guido Deboeck, Ph.D (2000), Public domain versus commercial tools for 
creating Self-Organizing Maps. 
[9]. J. Han and M. Kamber (2001), Data Mining - Concepts and Techniques, 
Chapter 8: Cluster Analysis. Morgan Kaufmann. 
[10]. Juha Vesanto (1997), Data Mining techniques based on the Self-Organizing 
Map, Thesis for the degree of Master in Engineering, Helsinki University of 
Technology. 
-76- 
[11]. Juha Vesanto (2000), Using SOM in Data Mining, Licentiate’s thesis, Helsinki 
University of Technology. 
[12]. Mark W.Craven & Jude W.Shavlik (2000), Using Neural Networks for Data 
Mining, Submitted to the Future Generation Computer Systems specical issues 
on Data Mining. 
[13] Merja Oja, Samuel Kaski, and Teuvo Kohonen (2003), Bibliography of Self-
Organizing Map (SOM) Papers: 1998-2001 Addendum, Neural Computing 
Surveys, 3: 1-156. 
[14]. Mark W.Craven (1996), Extracting comprehensible models from trained 
neural networks, Chapter 7: The Boosting – Based Perceptron learning 
algorithm, Doctor of philosophy (Computer Sciences). 
[15].Tom Gemano (1999), Self Organizing Maps. 
[16]. Usama M.Fayyad, Gregory Piatetsky-Shapiro, Padhraic Smyth & Ramasamy 
Uthrusamy (1996), Advanes in Knowledge Discovery and Data mining,AAAI 
Press/The MIT Press.