9290

Рис. 19. Скользящее окно для узла с парциальной обработкой

Данные на рис. 19 являются предобработанными данными. Теперь их можно анализировать с помощью различных методов прогнозирования, напри-

мер, Линейной регрессии или Нейронных сетей.

Задачи для раздела 2.

Задача 1. (Аналитическая платформа Deductor Academic. Нейронные

сети. Задача классификации.)

Рассмотрим задачу классификации с применением метода Нейронная сеть. Если выходной столбец имеет непрерывный тип, необходимо с помощью обработчика «Квантование» сделать его дискретным (рис. 20).

41

Рис. 20. Исходные данные до и после квантования поля «Стоимость»

Настроим параметры сети – определим «Стоимость» как выходное поле,

разделим выборку на обучающее и тестовое множества, определим количество слоев и нейронов в них, алгоритм обучения и т.д. (рис. 21).

42

Рис. 21. Шаги настройки модели Нейронная сеть.

Исходя из настроек, получим граф нейросети (рис. 22).

Рис. 22. Граф нейросети.

43

Рис. 23. Таблица сопряженности.

Визуализатор «Таблица сопряженности» (рис. 23) показывает соотношение

правильно и неправильно классифицированных примеров.

Задача 2. (Аналитическая платформа Deductor Academic. Нейронные

сети. Задача прогнозирования.)

Для прогнозирования с применением нейронных сетей и линейной регрес-

сии создадим скользящее окно на основе группировки данных по дате (измере-

ние) и потреблению (факт: сумма) с глубиной погружения равной десяти и го-

ризонтом прогнозирования равным единице (рис. 24-26).

Рис. 24. Группировка (Измерения: дата; Факты: потр.)

44

Рис. 25. Транспонирование столбца с использованием скользящего окна

Рис. 26. Скользящее окно (Дата [-10:1])

45

Рассмотрим процесс поэтапного создания модели на основе линейной ре-

грессии в программе Deductor Studio Academic.

На рисунках 27-28 показан процесс настройки назначений исходных столбцов данных и построения модели. Зададим одиннадцать входных столб-

цов и один выходной.

Рис. 27. Настройка назначений столбцов 11х1.

46

Рис. 28. Построение линейной модели 11х1.

На рисунке 29 представлена диаграмма рассеяния линейной регрессии, ко-

торая показывает отклонение целевых значений (выходной столбец) от значе-

ний, полученных моделью. Здесь наглядно продемонстрировано, что несколько примеров выходят за пределы допустимой ошибки (0,05). Это говорит о том,

что данная модель недостаточно хорошо обучилась, поэтому попытаемся ис-

пользовать другие настройки модели (например, 8х1, 6х1, 3х1).

47

Рис. 29. Диаграмма рассеяния 11х1.

Рис. 30. Коэффициенты регрессии 11х1

Рассмотрим процесс поэтапного создания нейронной сети в программе Deductor Studio Academic с 1 скрытым слоем и 2 нейронами в нем (11х2х1).

48

На рисунке 31 продемонстрирована настройка назначений столбцов. В

назначении исходных столбцов было задано одиннадцать входных параметров и один выходной параметр. Дата помечена как информационный столбец.

Рис.31. Настройка назначения столбцов.

На рисунке 32 продемонстрировано задание параметров структуры нейронной сети с одним скрытым слоем.

49

Рис.32. Структура нейронной сети 11х2х1

Рис. 33. Обучение нейронной сети 11х2х1

50