Дедуктор 1 лаба. Отчет по дисциплине Интеллектуальные системы и технологии Студент Бронников А. Л. Группа вис44
![]()
|
![]() 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 |