Введення
Інтелектуальний аналіз даних, або Data Mining, - це процес виявлення в сирих даних раніше невідомих, нетривіальних, практично корисних і доступних інтерпретації знань, необхідних для прийняття рішень у різних сферах людської діяльності.Сучасні технології Data Mining (discovery-driven data mining) обробляють інформацію з метою автоматичного пошуку шаблонів (патернів), характерних для будь-яких фрагментів неоднорідних багатовимірних даних. На відміну від оперативної аналітичної обробки даних (online analytical processing, OLAP) в Data Mining тягар формулювання гіпотез і виявлення незвичайних шаблонів перекладено з людини на комп'ютер.
Виділяють п'ять стандартних типів закономірностей (завдань), які дозволяють виявляти методи Data Mining: асоціація, послідовність, класифікація, кластеризація, прогнозування.
Закономірність типу а ссоціація спостерігається в даних, коли кілька подій зв'язані один з одним і відбуваються при цьому одночасно. Наприклад, дослідження, проведене в супермаркеті, може показати, що 65% купили кукурудзяні чіпси беруть також і «кока-колу», а при наявності знижки за такий комплект «колу» набувають в 85% випадків. Маючи в своєму розпорядженні відомостями про подібної асоціації, менеджерам легко оцінити, наскільки дієва надається знижка.
Закономірність типу «класифікація» виявляється в даних на основі аналізу ознак вже класифікованих об'єктів, при цьому відома приналежність об'єктів до класів. Результатом є формування правил віднесення об'єктів до класів.
Закономірність типу «кластеризація» передбачає наявність у цих сходах з яких-небудь ознаками груп об'єктів, причому кількість груп і приналежність об'єктів до них заздалегідь не задані. За допомогою кластеризації кошти Data Mining самостійно виділяють різні однорідні групи даних.
Пошук закономірності типу «прогнозування» проводиться на основі інформації, що зберігається в базах даних у вигляді часових рядів. Якщо вдається побудувати математичну модель і знайти шаблони, які адекватно відображають цю динаміку, є ймовірність, що з їх допомогою можна передбачити і поведінку системи в майбутньому.
Розділ 1Опісаніе об'єкта дослідження, як системи
Системний підхід реалізується в методології системного аналізу, який є одним з ефективних інструментів дослідження соціально-економічних і політичних процесів.1.1 Мета об'єкта дослідження
Об'єктом дослідження є показники діяльності кредитних організацій. Метою об'єкта дослідження є відображення динаміки процесу взаємодії населення і кредитних організацій.1.2 Структура системи, опис зовнішнього середовища
Тип описуваної структури - плоска (горизонтальна декомпозиція) (схема1)Схема 1
|
|
Банківська позика |
Індивідуальним підприємцем |
На рівні двох країн |
Для лізингу |
Кредит |
НТП |
Рівень довіри між населенням і банками |
Ставка рефінансування |
Дохід Населення |
1.3 Класифікація системи
Дана система є відкритою, тому що основні елементи системи - кредитор і позичальник - забезпечують постійне циркулювання грошових коштів з дачею грошей в борг (входом) грошових коштів з боку кредитора і виплат (виходу) отриманої суми плюс відсотки з боку позичальник.Описувана система - гетерогенна. Доказом цього факту є різноманіття видів кредиту, які зображені на схемі 1.
Система є керованою. У ролі управлінців цієї системи виступають кредитор і позичальник. А так як вони є в той же час і елементами даної системи, то дану систему можна вважати самокерованої.
Розділ 2 Інтелектуальний аналіз даних про закономірності
функціонування об'єкта дослідження
Мета аналізу полягає у застосуванні інтелектуального аналізу даних для дослідження заданої структури даних для розробки прийняття рішень.У даній роботі основним завданням є виявлення відмінностей між регіонами Росії на основі показників діяльності кредитних організацій наведеним на 01.0.1.2007.
Вихідні дані
Об'єктами в даній роботі є: Центральний, Північно-Західний, Південний, Приволзький, Уральський, Сибірський, Далекосхідний федеральний округу.
В якості ознак у цій роботі виступають: обсяг виданих кредитів фізичним особам, обсяг кредитів фізичним особам на купівлю житла, середньозважений термін кредитування, середньозважена процентна ставка, обсяг іпотечних житлових кредитів фізичним особам, середньозважений термін кредитування (за іпотечними кредитами), середньозважена процентна ставка ( за іпотечними кредитами).
2.1 Аналіз методом головних компонент
Метод головних компонент є методом візуалізації даних.Методи візуалізації даних націлені на пошук найбільш виразних зображень сукупності досліджуваних об'єктів для подальшого максимального використання потенціалу зорового аналізатора експериментатора.
Візуалізація даних передбачає отримання тим або іншим способом графічного відображення сукупності об'єктів у нове координатне простір, за який можуть бути використані або числова вісь, або площину, або тривимірний простір, максимально відображають особливості розподілу цих об'єктів у багатовимірному просторі.
Відповідно до кількості вимірювань в новому координатному просторі можуть бути наступні способи візуального представлення:
- Одномірне вимір, або 1-D,
- Двовимірне вимір, або 2-D,
- Тривимірне (проекційне) вимір, або 3-D.
З геометричних позицій алгоритм побудови головних компонент (ГК) полягає в наступному.
Проводиться центрування вихідних даних (рис.1а), початок координат переноситься в центр розподілу даних (центроид), що є центром еліпсоїда розсіювання випадкового вектора Х (рис.1б).
Рис. 2. Формування головних компонент
Потім здійснюється формування головних компонент F 1, F 2, ..., F p (Ріс.1в). Лінійні комбінації вибираються таким чином, що серед усіх можливих комбінацій перша головна компонента F 1 (X) володіє найбільшою дисперсією. Дисперсія σ прагне до максимуму: F 1 (X) = I = max σ -> ω pi. Графічно це виглядає як орієнтація нової координатної осі F 1 вздовж напрямку найбільшою витягнутості еліпсоїда розсіювання об'єктів у вихідному просторі P ознак. а розкидом упродовж кількох останніх осей можна знехтувати.
Друга головна компонента F 2 (X) перпендикулярна першій і будується, виходячи із припущень знаходження максимальної дисперсії серед всіх залишилися лінійних комбінацій, некорельованих з першої ДК.
Решта головні компоненти визначаються аналогічним способом.
Кількість головних компонент дорівнює кількості елементарних ознак.
Введемо вихідні дані в електронну таблицю STATGRAPHICS (48 * 8).
Аналіз методом головних компонент складається з декількох етапів:
1) Необхідно отримати дані про результати аналізу (таблиця зведення) (рис.3)
рис.3 Підсумки методу ГК
У Даною таблиці міститься інформація про результати побудови головних компонент: власні значення головних компонент (eigenvalue), упорядкованих за величиною, відсоток дисперсії (percent of variance), що припадає на кожну виділену головну компоненту, накопичений відсоток дисперсії (cumulative percentage).
На основі отриманих результатів можна сідлати висновок про те, що перші 2 компоненти дають 80 відсотків дисперсії, що достатньо для проведення аналізу розподілу компонентів у просторі.
2) Далі проаналізуємо таблицю ваг ознак (рис. 4)
рис.4 Ваги ознак у головних компонентах
Визначимо залежність першим головним компоненти від ознак. Залежність від тієї чи іншої ознаки визначається величиною ознаки.
Перша головна компонента в найбільшій мірі залежить від 3 ознак:
обсяг кредитів, виданих фізичним особам, обсяг кредитів, виданих фізичним особам на купівлю житла, обсяг виданих іпотечних житлових кредитів фізичним особам.
Нижче представлена проекція досліджуваної множини на простір трьох ЦК (мал. 5).
рис.5 Проекція досліджуваних об'єктів у простір трьох ДК
З рис.5 видно, що досліджувана сукупність розділилася на три класи.
3) Визначимо значущі ознаки у складі головних компонент за такою формулою:
[W j] - усі вагові коефіцієнти j-ї компоненти.
Нижче представлена таблиця вагових коефіцієнтів першої ДК.
Відповідно до вищепредставленими формулою коефіцієнт інформативності розраховується наступним чином:
До и1 належить інтервалу [0,75,0,95], що говорить про визначення ГК1 впливом наступних ознак: обсяг виданих кредитів фізичним особам, обсяг кредитів, виданих фізичним особам на купівлю житла, обсяг виданих іпотечних житлових кредитів фізичним особам.
4) Правило класифікації на основі аналізу методом головних компонент виглядає наступним чином:
ГК1 = обсяг виданих кредитів фізичним особам * 0,49 + обсяг кредитів, виданих фізичним особам на купівлю житла * 0,53 + обсяг виданих іпотечних житлових кредитів фізичним особам * 0,52
Якщо обсяг виданих кредитів фізичним особам = мале, обсяг кредитів, виданих фізичним особам на купівлю житла = мале, обсяг виданих іпотечних житлових кредитів фізичним особам = мале, обсяг виданих кредитів індивідуальним підприємцям = мале, то клас = 1
Якщо обсяг виданих кредитів фізичним особам = середнє, обсяг кредитів, виданих фізичним особам на купівлю житла = середнє, обсяг виданих іпотечних житлових кредитів фізичним особам = середнє, обсяг виданих кредитів індивідуальним підприємцям = середнє, то клас = 2
Якщо обсяг виданих кредитів фізичним особам = велике, обсяг кредитів, виданих фізичним особам на купівлю житла = велике, обсяг виданих іпотечних житлових кредитів фізичним особам = велике, обсяг виданих кредитів індивідуальним підприємцям = велике, то клас = 3
У перший клас увійшли об'єкти під номерами: 1-9, 11-17,19-28, 30-37, 39-42, 48,50,53,56.
У другий клас увійшли об'єкти під номерами: 42, 47, 51,38,52,55,45
У третій клас ввійшов один об'єкт під номером: 10,18,29,43,46,49,54
2.2 Кластерний аналіз
Кластерний аналіз призначений для розбиття множини об'єктів на заздалегідь невідоме або в окремих випадках задану кількість груп (кластерів) на підставі деякого математичного критерію якості класифікації кластеризації.Введемо вихідні дані в електронну таблицю Statgraphics. Перший етап аналізу - побудова дендрограми. Натиснути на кнопку «Graphical options» меню вікна «Cluster Analysis», вибрати відображення у вигляді дендрограми (Dendrogram) і натиснути ОК.
На дендрограмм видно три дерева. За вертикальної осі відкладено відстань для кожного кроку роботи агломеративні ієрархічного алгоритму кластеризації. На горизонтальній осі показані спостереження, скомбіновані відповідно до проведеного аналізу.
Оскільки на дендрограмм можна побачити чітку картину трьох угруповань та імен спостережень, що увійшли до виділені кластери, то отже, для більш детального розгляду угруповань слід задати їх кількість рівним 3.
Введемо вихідні дані в електронну таблицю STATGRAPHICS (50 * 8).
Перший крок аналізу - побудова дендрограми для трьох кластерів (рис.6). При побудові необхідно враховувати види відстаней: між об'єктами - «City-Block», між кластерами «Ward's Method».
рис.6 Трехкластерная Дендрограмма
Другий крок отримання зведення кластерного аналізу (рис.7).
рис.7 Підсумок кластерного аналізу
Дана зведення містить інформацію про кількість кластерів, кількості об'єктів в кожному кластері і відповідному відсотку населеності.
По координатах Центроїд можна судити про те, які змінні грають найбільш важливу роль у кожному кластері, а також скласти правило класифікації. В отриманій зведенні є ознаки, кластерні значення яких не становлять велику різницю між собою. До таких ознак належать: середньозважений термін кредитування (col _3), середньозважена процентна ставка (col _4), середньозважений термін кредитування для іпотечних кредитів (col _6) і середньозважена процентна ставка для іпотечних кредитів (col _7).
Правило класифікації для першого кластера:
Якщо обсяг виданих кредитів фізичним особам = великий, обсяг кредитів, виданих фізичним особам на купівлю житла = мале, обсяг виданих іпотечних житлових кредитів фізичним особам = мале, обсяг виданих кредитів індивідуальним підприємцям = мале, то клас = 1.
Правило класифікації для другого кластера:
Якщо обсяг виданих кредитів фізичним особам = малий, обсяг кредитів, виданих фізичним особам на купівлю житла = середнє, обсяг виданих іпотечних житлових кредитів фізичним особам = середнє, обсяг виданих кредитів індивідуальним підприємцям = середнє, то клас = 2.
Правило класифікації для третього кластеру:
Якщо обсяг виданих кредитів фізичним особам = середній, обсяг кредитів, виданих фізичним особам на купівлю житла = великий, обсяг виданих іпотечних житлових кредитів фізичним особам = великий, обсяг виданих кредитів індивідуальним підприємцям = великий, то клас = 3.
2.3 Дерево рішень
Дерева рішень - це спосіб подання правил в ієрархічній, послідовної структурі. В у зло дерева здійснюється перевірка значення деякої незалежної змінної. Якщо змінна, яка перевіряється у вузлі, приймає категоріальні значення, то кожному можливому значенню відповідає гілку, що виходить з вузла дерева. Якщо значенням змінної є число, то перевіряється, більше або менше це значення деякої константи.
Листя дерев відповідають класам. Кожен лист дерева являє собою один клас. Шлях, що веде від кореня дерева до цього листа, відповідає правилу класифікації. Відзначимо, що один і той же клас може бути зазначений в декількох листі дерева. Однак, кожному шляху до окремого листа (правилу класифікації) відповідає безліч об'єктів, в якому елементи (об'єкти) не можуть повторюватися в різних листах.
Побудова ДР проводиться з використанням пакету See5, що дозволяє конструювати класифікатор об'єктів у вигляді ДР, якому може бути поставлено у відповідність деяке безліч логічних правил.
Перед обчисленням дерева необхідно скопіювати дані в блокнот word pad, після чого змінити формат файлу на data. Вихідні дані для обчислення дерева рішення приймуть наступний вигляд (ім'я файлу derevo):
1,1826363,189,15
2,917535,188,14
1,1482830,166,15
1,2474846,164,15
1,642738,167,15
2,1106109,190,14
1,462245,147,15
1,1105639,197,16
1,788815,189,15
3,7853229,156,14
1,451150,160,15
1,1420937,189,15
1,1266100,203,15
1,438172,192,15
2,1682123,184,14
1,1263580,184,15
1,1644670,172,15
3,14438366,112,14
2,1229661,175,13
1,4356096,183,15
1,1851976,177,15
1,230977,185,16
3,2383630,170,14
2,1374942,160,14
2,1359242,192,14
1,758176,179,15
1,944696,182,15
1,438416,197,15
3,8669422,172,14
1,211300,198,15
1,122290,89,18
1,32493,134,15
1,577318,204,15
1,136223,186,16
1,209524,217,16
1,787277,209,16
2,36251,171,14
3,4884241,190,14
2,3403749,195,15
1,1013384,188,15
2,2853828,202,15
3,4082560,171,15
3,10950662,172,14
1,921844,154,15
2,940159,189,14
3,7889566,165,14
3,5052323,167,14
2,3311362,199,14
3,6933937,180,14
2,2734210,192,14
3,6301381,187,15
2,3518255,191,13
2,1015552,188,14
3,8174605,176,14
2,2663564,190,14
1,1412219,178,15
Після цього створюємо файл під ім'ям derevo формат names.
Файл derevo. Names виглядає наступним чином:
Class. | Target attribute
Class: 1,2,3.
обсяг виданих кредитів фізичним особам: continuous.
середньозважений термін кредитування: continuous.
середньозважена процентна ставка: continuous.
Крок 1.
Побудова дерева рішень.
|
В отриманому дереві 5 гілок. Перша гілка: 2 клас, що складається з 14-ти об'єктів, причому 1 класифікується помилково.
Друга гілка: 3 клас, що складається з 9-ти об'єктів. Третя гілка: 1 клас - 28 об'єктів. Четверта гілка: 2 клас - 2 об'єкти. П'ята гілка: 3 клас - 3 об'єкти, причому 1 об'єкт класифікується помилково.
Дане дерево рішень містить в собі наступну інформацію:
Якщо середньозважена процентна ставка <= 14 і обсяг виданих кредитів фіз. особам <= 4082560, то клас 2 (14 / 1 об'єктів),
Якщо середньозважена процентна ставка <= 14 і обсяг виданих кредитів фіз. особам> 4082560, то клас 3 (9 об'єктів),
Якщо середньозважена процентна ставка> 14 і обсяг виданих кредитів фіз. особам <= 2663564, то клас 1 (28 об'єктів),
Якщо середньозважена процентна ставка> 14 і обсяг виданих кредитів фіз. особам на покупку житла> 2663564 і <= 3518255 то клас 2 (2 об'єкти).
Якщо середньозважена процентна ставка> 14 і обсяг виданих кредитів фіз. особам на покупку житла> 2663564 і> 3518255 то клас 3 (3 / 1 об'єкту).
Нижче представлені витягнуті правила.
|
Кожне правило має таку структуру:
- Номер правила,
- У дужках - кількість об'єктів навчальної вибірки,
- Запис умовної частини правила (частина «ЯКЩО»),
- Після знака імплікації (->) - запис заключній частині правила (частина «ТО»), в якій вказана приналежність до класу,
- Величина, що приймає значення від 0 до 1, яка виражає ступінь довіри до правила.
Decision Tree Rules
---------------- ----------------
Size Errors No Errors
5 лютого (3.6%) 4 2 (3.6%) <<
(A) (b) (c) <-classified as
---- ---- ----
28 січня (a): class 1
15 (b): class 2
Січні 1911 (c): class 3
A. З 1 класу правильно класифікуються 28 об'єктів, 1 об'єкт помилково відноситься до класу 3
B. З 2 класу всі 15 об'єктів класифікуються вірно,
C. З класу 3 вірно класифікуються 11 об'єктів, один об'єкт помилково відноситься до класу 2.
Кількість спрацювали правил дорівнює 4, має місце помилка витягання об'єктів (3.6 відсотка).
Розділ 3 Проблеми управління функціонуванням об'єкта
дослідження
З моменту появи кредитної послуги єдиним органом, що надає таку, був банк. Узявши необхідну суму, позичальник здійснював операції з придбання, використання різних послуг, взяття визначеного майна в оренду і т.д. Однак дана структура системи була недостатньо ефективною через великих навантажень на діяльність банків. Дана проблема була вирішена шляхом застосування принципу декомпозиції (можливість розчленування систем з того чи іншого ознакою на окремі частини (підсистем) і у формуванні для них власних цілей і функцій, виходячи з умови забезпечення досягнення глобальних цілей системи). Представлена в даній роботі схема 1 відображає різновид кредитних послуг в залежності від цілей споживачів.Активність кредитних організацій визначається обсягом виданих кредитів громадянам. Характер тенденції в укладанні угод залежить від ступеня довіри між позичальником і кредитором. Однак практика російського кредитування вказала на негативну тенденцію у напрямку довіри між банками і населенням. Причиною цьому послужила відсутність надання даних з боку банку про повну суму відсотка з взятої суми, повернути яку в певні терміни має позичальник. Внаслідок цього позичальник зі свого боку дуже часто виявляється не в змозі сплатити кредит у зазначені терміни.
Дану проблему можна віднести до різновиду недотримання принципу спостереження та управлiння (керованість припускає вплив на елементи системи в процесі управління, а наблюдаемость передбачає можливість отримання інформації про стан системи в процесі управління).
У даному випадку невідповідність складової принципу «наблюдаемость», виражено у відсутності інформації про повну суму кредиту. Позичальник у свою чергу не міг впливати на процес видачі інформації про повну суму.
Однак прийняття закону, що зобов'язує видавати повну інформацію про всю суму кредиту, поклало початок шляху з вирішення даної проблеми.
| Номер | Регіон | Кластер | Компонентний аналіз | Дерево рішень |
| 1 | Білгородська область | 1 | 1 | 1 |
| 2 | Брянська область | 2 | 1 | 2 |
| 3 | Володимирська область | 1 | 1 | 1 |
| 4 | Воронезька область | 1 | 1 | 1 |
| 5 | Іванівська область | 1 | 1 | 1 |
| 6 | Калузька область | 2 | 1 | 2 |
| 7 | Костромська область | 1 | 1 | 1 |
| 8 | Курська область | 1 | 1 | 1 |
| 9 | Липецька область | 1 | 1 | 1 |
| 10 | Московська область | 3 | 3 | 3 |
| 11 | Орловська область | 1 | 1 | 1 |
| 12 | Рязанська область | 1 | 1 | 1 |
| 13 | Смоленська область | 1 | 1 | 1 |
| 14 | Тамбовська область | 1 | 1 | 1 |
| 15 | Тверська область | 2 | 1 | 2 |
| 16 | Тульська область | 1 | 1 | 1 |
| 17 | Ярославська область | 1 | 1 | 1 |
| м. Москва | 3 | 3 | 3 | |
| 19 | Республіка Карелія | 2 | 1 | 2 |
| 20 | Республіка Комі | 1 | 1 | 3 |
| 21 | Архангельська область | 1 | 1 | 1 |
| 22 | Ненецький автономний округ | 1 | 1 | 1 |
| 23 | Вологодська область | 3 | 1 | 2 |
| 24 | Калінінградська область | 2 | 1 | 2 |
| 25 | Ленінградська область | 2 | 1 | 2 |
| 26 | Мурманська область | 1 | 1 | 1 |
| 27 | Новгородська область | 1 | 1 | 1 |
| 28 | Псковська область | 1 | 1 | 1 |
| 29 | м. Санкт-Петербург | 3 | 3 | 3 |
| 30 | Республіка Адигея (Адигея) | 1 | 1 | 1 |
| 31 | Республіка Дагестан | 1 | 1 | 1 |
| 32 | Республіка Інгушетія | 1 | 1 | 1 |
| 33 | Кабардино-Балкарська Республіка | 1 | 1 | 1 |
| 34 | Республіка Калмикія | 1 | 1 | 1 |
| 35 | Карачаєво-Черкеська Республіка | 1 | 1 | 1 |
| 36 | Республіка Північна Осетія-Аланія | 1 | 1 | 1 |
| 37 | Чеченська Республіка | 2 | 1 | 2 |
| 38 | Краснодарський край | 3 | 2 | 3 |
| 39 | Ставропольський край | 2 | 2 | 3 |
| 40 | Астраханська область | 1 | 1 | 1 |
| 41 | Волгоградська область | 2 | 1 | 3 |
| 42 | Ростовська область | 3 | 2 | 3 |
| 43 | Республіка Башкортостан | 3 | 3 | 3 |
| 44 | Республіка Марій Ел | 1 | 1 | 1 |
| 45 | Республіка Мордовія | 2 | 2 | 2 |
| 46 | Республіка Татарстан (Татарстан) | 3 | 3 | 3 |
| 47 | Удмуртська Республіка | 3 | 2 | 3 |
| 48 | Чуваська Республіка - Чувашія | 2 | 1 | 2 |
| Пермський край | ||||
| 49 | Кіровська область | 3 | 3 | 3 |
| 50 | Нижегородська область | 2 | 1 | 3 |
| 51 | Оренбурзька область | 3 | 2 | 3 |
| 52 | Пензенська область | 2 | 2 | 2 |
| 53 | Самарська область | 2 | 1 | 2 |
| 54 | Саратовська область | 3 | 3 | 3 |
| 55 | Ульяновська область | 2 | 2 | 3 |
| 56 | Курганська область | 1 | 1 | 1 |
Висновок
Правило класифікації на основі методу головних компонент:
Якщо обсяг виданих кредитів фізичним особам = мале, обсяг кредитів, виданих фізичним особам на купівлю житла = мале, обсяг виданих іпотечних житлових кредитів фізичним особам = мале, обсяг виданих кредитів індивідуальним підприємцям = мале, то клас = 1
Якщо обсяг виданих кредитів фізичним особам = середнє, обсяг кредитів, виданих фізичним особам на купівлю житла = середнє, обсяг виданих іпотечних житлових кредитів фізичним особам = середнє, обсяг виданих кредитів індивідуальним підприємцям = середнє, то клас = 2
Якщо обсяг виданих кредитів фізичним особам = велике, обсяг кредитів, виданих фізичним особам на купівлю житла = велике, обсяг виданих іпотечних житлових кредитів фізичним особам = велике, обсяг виданих кредитів індивідуальним підприємцям = велике, то клас = 3
Правило класифікації на основі кластерного аналізу:
Правило класифікації для першого кластера:
Якщо обсяг виданих кредитів фізичним особам = великий, обсяг кредитів, виданих фізичним особам на купівлю житла = мале, обсяг виданих іпотечних житлових кредитів фізичним особам = мале, обсяг виданих кредитів індивідуальним підприємцям = мале, то клас = 1.
Правило класифікації для другого кластера:
Якщо обсяг виданих кредитів фізичним особам = малий, обсяг кредитів, виданих фізичним особам на купівлю житла = середнє, обсяг виданих іпотечних житлових кредитів фізичним особам = середнє, обсяг виданих кредитів індивідуальним підприємцям = середнє, то клас = 2.
Правило класифікації для третього кластеру:
Якщо обсяг виданих кредитів фізичним особам = середній, обсяг кредитів, виданих фізичним особам на купівлю житла = великий, обсяг виданих іпотечних житлових кредитів фізичним особам = великий, обсяг виданих кредитів індивідуальним підприємцям = великий, то клас = 3.
На основі результатів дерева рішень:
Якщо середньозважена процентна ставка <= 14 і обсяг виданих кредитів фіз. особам <= 4082560, то клас 2 (14 / 1 об'єктів),
Якщо середньозважена процентна ставка <= 14 і обсяг виданих кредитів фіз. особам> 4082560, то клас 3 (9 об'єктів),
Якщо середньозважена процентна ставка> 14 і обсяг виданих кредитів фіз. особам <= 2663564, то клас 1 (28 об'єктів),
Якщо середньозважена процентна ставка> 14 і обсяг виданих кредитів фіз. особам на покупку житла> 2663564 і <= 3518255 то клас 2 (2 об'єкти).
Якщо середньозважена процентна ставка> 14 і обсяг виданих кредитів фіз. особам на покупку житла> 2663564 і> 3518255 то клас 3 (3 / 1 об'єкту).
На основі результатів інтелектуального аналізу даних можна зробити наступний висновок.
Належність регіону до першого класу вказує на малий обсяг угод між населенням і кредитними організаціями. До основної причини ситуації, що склалася можна низький рівень прибутковості населення і високі процентні ставки, внаслідок чого мають місце багаторазові випадки неповернення відсотків за позикою. До даного класу відносяться регіони Південного федерального округу, кілька областей Центрального Федерального округу.
Класифікація регіону за другим класом говорить про середні показники активності населення в сфері кредитування. Даний фактор свідчить про середній рівень доходів населення, що в свою чергу говорить про можливість купувати житло і вести бізнес за рахунок позикових коштів у банку. До таких регіонів належать Чеченська республіка, Ставропольський край, Республіка Мордовія і т.д.
Належність регіону до третього класу говорить про успішність у взаємодії населення кредитних послуг. Однак до таких регіонів відносяться мала частка регіонів країни: Московська область, Республіка Башкортостан, Республіка Татарстан, Ростовська область. Даний факт говорить, як про відносно високої прибутковості населення, так і про сталому рівні довіри між позичальниками і кредиторами. Населення цих регіонів свідомо вступає у взаємодію з кредитною системою для ведення бізнесу покупки товарів та житла.