Анотація: Статтю присвячено пошуку оптимальної архітектури нейронної мережі типу багатошаровий персептрон для мінімізації похибки першого роду при вирішенні задачі класифікації позичальників-юридичних осіб за рівнем кредитоспроможності. Проведено екс-периментальні дослідження із більше ніж 3000 моделями персеп-тронного типу в інструментальному пакеті STATISTICA Neural Networks. Зроблено висновки і рекомендації щодо поділу генераль-ної сукупності спостережень на навчальну, тестову та контрольну вибірки з метою підвищення ефективності діагностування пози-чальників, котрим загрожує дефолт. Виявлено, що оптимальна кількість пояснювальних змінних для адекватної оцінки кредито-спроможності юридичних осіб має бути більшою 10. За таких умов середня точність передбачення дефолтів позичальників становить 80,23 % (відповідно, помилка першого роду є меншою за 20 %). Для найбільш адекватних моделей, відібраних у ході дослідження, похибка першого роду становить 10,69 %–13,69 %. Отримані експе-риментальні розрахунки підтверджують можливість і доцільність практичного застосування нейронних мереж персептронного типу при оцінці кредитоспроможності позичальників-юридичних осіб.