Neurónová síť je souhrnný pojem pro skupinu metod z oblasti umělé inteligence, z nichž některé lze efektivně využít jako klasifikační systémy. Neurónové sítě představují alternativu k použití diskriminační analýzy ve finanční analýze. Nepotřebují hluboké matematicko-statistické znalosti ani nevyžadují splnění žádných předpokladů. Naopak vícerozměrná diskriminační analýza předpokládá například normální rozdělení hodnot ukazatelů či nezávislost ukazatelů.
Výhody a nevýhody neurónových sítí
Výhodou neurónových sítí je schopnost odhalit nelineární vztahy v datech a schopnost učenlivosti. Nevýhodou neurónových sítí je náročnost na výpočetní výkon a potřeba velmi výkonného počítače. Postup popisuje Zalai v knize Neurónové sítě na straně 97 – princip LVQ je vysvětlen ve srovnání s diskriminační analýzou.
Diskriminační analýza
Podniky jsou zobrazeny body a v ideálním případě získáme dva shluky bodů. Prosperující podniky tvoří shluk ležící vlevo nahoře, jsou označeny jako „dobré“, neprosperující podniky tvoří shluk vpravo dole, označený jako „špatné“. Klasifikace podniků a jejich zařazení do jedné ze dvou skupin probíhá podle zjištěné diskriminační přímky.
LVQ
Místo diskriminační přímky se pro každý shluk vypočítá střed. Klasifikace podniku, tedy jeho přiřazení do jedné ze dvou skupin, se realizuje na základě vzdálenosti podniku ke středům obou shluků. Hodnocený podnik je klasifikován do skupiny, ke které má blíže – k „dobrému“ shluku nebo k „špatnému“. Význam LVQ narůstá zejména při počtu dvou a více shluků. Identifikuje se příslušný počet středů shluků a následně se provede klasifikace podniků.
Princip neurónových sítí
Neurónová síť je výpočetní model založený na abstrakci vlastností biologických nervových systémů. Základní součástí neurónové sítě je model neurónu s N vstupy a M výstupy. Základní vlastností neurónových sítí je schopnost abstrakce pravidel mezi vstupními a výstupními hodnotami, prezentovanými ve vhodné formě, a následná aplikace získaných pravidel na libovolné vstupy. Neurónové sítě se využívají v regulační a simulační technice. Proces abstrakce se nazývá učení a může probíhat s učitelem nebo bez učitele. Během tohoto procesu se aktualizují hodnoty váhových spojení. V literatuře je popsáno několik učících algoritmů. Po skončení učení se hodnoty vah již nemění a síť produkuje výstupy podle uvedeného pravidla aplikovaného na vstupní hodnoty. Více o neurónových sítích naleznete na Wikipedii na stránce Neurónová síť.
Prognózování finančně-ekonomické situace podniku – Neurónové sítě (Zalai)
Wikipedia: http://sk.wikipedia.org/wiki/Neur%C3%B3nov%C3%A1_sie%C5%A5
