Дедуктор 1 лаба. Отчет по дисциплине Интеллектуальные системы и технологии Студент Бронников А. Л. Группа вис44
 Скачать 1.83 Mb.
|
 Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего образования «ДОНСКОЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ» Факультет «Информатика и вычислительная техника» Кафедра «Информационные технологи» Отчет по дисциплине «Интеллектуальные системы и технологии» Выполнил: Студент: Бронников А.Л. Группа ВИС44 Проверил: Гробер Т.А. доц., к.ф.м.н. Ростов-на-Дону 2021 г. Лабораторная работа №1 Анализ признаков и оценка их информативности Создадим текстовый файл с данными, как в методичке  Импортируем файл, со способом отображения как таблицу и как диаграмму  Результат импортирования  Выполним парциальную предобработку данных. Восстановим пропуски, исправим аномалии. Также нужно выполнить спектральную обработку данных. Для начала восстановим пропуски  Как видим пропуски заполнились  Теперь необходимо отредактировать аномальные значения по большей степени подавления   Результат видим следующий  Теперь удалим шумы, выберем соответствующие поля  В итоге получаем  Теперь выполним анализ качества данных для всех полей  В итоге видим, что система оценки качества обнаружила пропуски в столбце «Синус»  Теперь проделаем тоже самое только с данными из варианта  Для начала определим качество наших данных  Как видим, нам необходимо обработать все столбцы кроме «min» Отредактируем выбросы и экстремальные значения на необходимых нам столбцах  Увидим результат и проведем оценку качества данных еще раз   Попробуем отредактировать еще раз, но теперь только по столбцу «Average»   Результат и оценка качества  Сократили количество выбросов и экстремальных значений до минимума Вывод: в первой лабораторной работе научились работать с предобработкой данных. Выполнили заполнение пропущенных значений, сглаживание аномалий, а также удаление шумов. Познакомились с оценкой качества данных. Лабораторная работа №2 Базовые методы интеллектуального анализа данных Импортируем файл, предложенный в методичке, с данными об ирисах   Теперь проведем классификацию ирисов с помощью кластеризации  Определение количества кластеров оставим автоматическое  В результате кластеризации мы получаем правильное количество кластеров  Проверим как работает нейросеть. На первом шаге, на столбец «Класс» установим выходное значение  В настройке нормализации, для столбца «Класс» в поле «Нормализатор» выберем параметр «Уникальные значения»  В шаге «Структура нейронной сети» количество нейронов поставим 5  Алгоритм обучения оставим по умолчанию, а значение погрешности и число эпох изменим  В результате увидим, что нейросеть обучилась хорошо   Теперь будем работать с нашим вариантом. Импортируем файл  Проведем кластеризацию данных. Дадим определить количество кластеров автоматически   В результате система определила 3 кластера, но их должно быть 2, это min=1 и min=0  Проведем кластеризацию снова с теми же настройками, но количество кластеров поставим 2  В результате получили  Теперь поработаем с нейросетью. Число нейронов поставим 5   Алгоритм обучения оставим по умолчанию, а коэффициент погрешности и количество эпох установим, как в примере выше   В результате видим, что рассеивание довольно большое  Проверим каким будет результат, если выставить 12 нейронов, а все остальное оставим без изменения   Результат показывает, что рассеивание сократилось, из чего можно сделать вывод, что чем больше нейронов, тем точнее будет результат Вывод: во второй лабораторной работе мы выполняли классификацию при помощи кластеризации и при помощи нейросети. Лабораторная работа №3 Применение интеллектуального анализа данных в задачах поддержки принятия решений Для начала создадим файл, в котором будет проводиться умножения двух числе, в некоторых результатах умножения специально допущены ошибки. Импортируем этот файл  Воспользуемся нейросетью, чтобы построить модель прогноза умножения двух чисел. Установим, что назначение полей x и y будут входными, result выходным  Из-за того, что у нас выборка слишком мала, установим обучающее множество в 100 процентов  Количество нейронов поставим 5. Коэффициент погрешности и число эпох установим, как и в прошлых лабораторных   По диаграмме рассеивания видим, что нейросеть в некоторых примерах допустили ошибки  Попробуем теперь выставить не 5 нейронов, а 11  По результату увидим  В следующем шаге будем работать с прогнозированием времени. Сначала импортируем файл с данными о продажах   Отредактируем график, удалим аномалии и уберем шумы  В итоге получим  Теперь нам необходимо провести данные к скользящему окну, в настройках изменим глубину погружение, установим значение 12   Поработаем с нейросетью. Выберем произвольные столбцы в качестве входных столбцов, все остальные сделаем информационными  Выставим количество нейронов равное 6  По итогу видим, что расхождений довольно много   Теперь построим прогноз, в настройках изменим горизонт прогноза, поставим значение 3  В результате получим прогноз на три месяца  Вывод: в третьей лабораторной работе научились работать с прогнозированием. Лабораторная работа №4 Нейросетевые технологии в интеллектуальном анализе данных Чтобы изучить механизм кластеризации с помощью карты Кохонена, необходимо импортировать файл с ирисами  В настройке Карты Кохонена, выходное назначение будет у столбца «Класс», все остальные входное. Также установим, что размер тестового множества будет равен 10   Далее настройку оставим по умолчанию, кроме «Фиксированного количества кластеров», там установим значение равное 3  В результате увидим, что некоторые классы цветов находятся не на своем месте, это произошло из-за того, что значения некоторых цветков схожи. В общем и целом, карта построена верно  Теперь построим карту для нашего варианта. Импортируем его  Выходным значением у нас будет столбец «min», количество кластеров будет 2   В итоге получим  Вывод: в четвертой лабораторной работе научились работать с кластеризацией данных при помощи карт Кохонена |