Тюрин_Отчет№3. Нейронные сети в принятии решений Постановка задачи
 Скачать 300.62 Kb.
|
Нейронные сети в принятии решенийПостановка задачиТребуется построить многослойную нейронную сеть, обучаемую по приведенным исходным данным с помощью, которой можно выполнить прогнозирование рыночной стоимости квартир на вторичном рынке жилья. Исходные данныеВ процессе исследования были получены данные, представленные на Рисунке 1.  Рисунок 1 Исходные данные. Подготовка текстового файлаДля того чтобы выполнить нейросетевой анализ необходимо предварительно подготовить файл с исходными данными. Для этого необходимо создать файл и скопировать в него исходные данные из MC EXCEL включая первою строку с заголовками. Результат продемонстрирован на рисунке 2.  Рисунок 2 Результат переноса данных в текстовый документ. Построение нейронной сетиСледующим шагом в построении нейронной сети является импорт данных. Для этого в приложении Deductor Academic 5.3 необходимо открыть мастер импорта и выбрать файл с исходными данными (рисунок 3).  Рисунок 3 Импорт текстового файла. Результат импорта данных предоставлен на рисунке 4.  Рисунок 4 Таблица с данными. Затем, после импорта данных необходимо открыть «Мастер обработки» и в появившемся окне в разделе «Data Mining» выбрать «Нейросеть» (рисунок 5).  Рисунок 5 Окно мастера обработки. Результат выполнения продемонстрирован на рисунке 6.  Рисунок 5 Граф нейросети. Оценка качества нейросетевого моделированияДля анализа результатов необходимо воспользоваться вкладкой «Обучающий набор», «Диаграмма рассеивания» и «Статистика». При анализе таблицы «Обучающий набор» (рисунок 6) можно сравнить значения выходного параметра по различным обучающим примерам (квартирам), представленным в исходных данных (столбец «Y»), со значениями, которые определяет нейросеть и величину возникающей ошибки (столбцы «Y_OUT» и «Y_ERR»  Рисунок 6 Таблица «Обучающий набор». На рисунке 7 продемонстрирована диаграмма рассеяния. Данная диаграмма служит для оценки качества обучения модели с помощью результатов сравнения непрерывных значений выходного поля и непрерывных значений того же поля, но рассчитанных моделью.  Рисунок 7 Диаграмма рассеяния. Дополнительная информация по качеству построенной модели в виде статистических показателей отображена в окне «Статистика» (Рисунок 8). Здесь отображается набор основных статистических характеристик выборки данных ветви сценария обработки.  Рисунок 7 Статистика результатов моделирования. Выполнение прогнозных расчетовПри изменении входных признаков можно получить прогнозное значение выходного параметра (рисунок 8 и рисунок 9). К примеру, если изменить цену квартиры на 40 у.е., то прогнозируемая цена изменится и составит 33,18 у.е.  Рисунок 8 Вывод данных «Что-Если» «До»  Рисунок 8 Вывод данных «Что-Если» «После» ВыводыВ ходе выполнения практической работы была изучена прогнозная аналитика на примере оценки возможной зависимости цены квартиры от количества комнат, площади и цены за новую квартиру. Проведение нейросетевого анализа показало, что нейронная сеть является стохастической моделью и при повторном запуске процедуры построения модели она будет обучена уже по-другому, из этого следует что нейросеть умеет успешно прогнозировать цену на квартиру и обучается при обновление данных. |