9290
.pdfРис. 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