Читайте также:
|
Цель работы – уметь ставить(т.е. формулировать её для решения экономических задач) и решать задачу регрессии в модуле “Нейронные сети” программы Statistica.
Постановка задачи.
1) Зная, что некоторый экономический процесс описывается выходной переменной Z как функцией непрерывных числовых переменных X,Y и параметров Factor1(принимает значения m и s), Factor2 (принимает значения l и d), на основе известной выборки из 100-300 наблюдений обучить сеть правильно определять значение выходной переменной Z по известным значениям входных переменных (X,Y,Factor1, Factor2) с заданной точностью.
За историю наблюдения за процессом накопился массив данных, который является исходным для задачи. Фрагмент этого массива представлен на Рис.2.
Рис.2
2) Обученную сеть использовать для определения значения Z характеристики процесса для новых выборок (переменных X,Y,Factor1, Factor2).
Порядок выполнения работы.
1. Запустить программу Статистика 7
2. Загрузить свой вариант задания.
3. Запустить модуль Нейронные сети.
4. Выбрать тип задачи (“Регрессия”)
5. Задать типы переменных для выбранной задачи “Регрессия” (Выходная непрерывная – Z, Входные непрерывные – X, Y, Входные категориальные – Factor1, Factor2)
6. Запустить Мастер сетей на обучение сети (чтобы сеть научилась определять переменную Z по входным переменным X,Y,Factor1, Factor2).
7. В окне мастера сетей задать число сетей (100).
8. Получить результаты.
9. Проанализировать Таблицы (Таблицу регрессии, Таблицу чувствительности, Таблицу Остатков, Таблицу предсказаний).
10. Построить график зависимости наблюдаемых значений от предсказанных.
11. Проанализировать график зависимости полученных значений от предсказанных
12. Для хорошей моделиточки этого графика должны располагаться как можно ближе к прямой, лежащей под углом 45 градусов к осям координат (т.е. прямой y=x)
13. Убедиться, что график не отвечает этим требованиям.
14. Одна из причин – процесс описывается разными функциональными зависимостями – данные могут принадлежать нескольким областям (кластерам).
15. Для разбиения множества наблюдений по кластерам желательно провести стандартизацию данных (привести их к одному масштабу = одной шкале).
16. Для получения лучшего решения перейти к выполнению следующих пунктов.
17. Провести стандартизацию непрерывных входных переменных X,Y.
18. Провести стандартизацию категориальных входных переменных Factor1 и Factor2.
19. Для получения представления о числе кластеров провести Иерархический кластерный анализ на стандартизованных данных с выводом дендрограммы (наглядного представления в виде дерева решений). В качестве переменных для иерархического кластерного анализа взять X,Y, Factor1 и Factor2.
20. Получить дендрограмму и проанализировать её на предмет количества кластеров в выборке (чаще всего – 4 -5 кластеров).
21. Провести иерархический кластерный анализ на переменных Y, Factor1 и Factor2 (без переменной X). Убедиться, что разбиение на кластеры в этом случае более чёткое.
22. Теперь, когда число кластеров определено, провести кластерный анализ методом К-средних для разнесения всех наблюдений по кластерам. В качестве переменных для данного кластерного анализа взять Y, Factor1 и Factor2.
23. Можно надеяться, что данные внутри кластеров стали более однородны.
24. Решить задачу регрессии внутри каждого кластера (для данных каждого кластера построить свою нейронную сеть).
25. Чтобы применить найденные сети регрессии к новым данным и найти значение на выходе сети по входным данным, необходимо знать, к какому кластеру относится новое наблюдение.
26. Для этого нужно решить задачу классификации и запомнить сеть классификации.
Последовательность действий при использовании построенных сетей:
1. Определяем кластер, к которому относится новое наблюдение (Выбираем задачу классификации, подаём входные данные на вход сети классификации и получаем номер кластера).
2. Находим выходное значение процесса по входным данным наблюдения, используя сеть регрессии для найденного кластера.
Отчёт должен включать:
1. Постановку задачи.
2. Фрагмент Таблицы исходных Данных.
3. Фрагмент Таблицы стандартизованных данных со столбцом кластеров.
4. Дендрограмму.
5. Сохранённую сеть классификации для разбиения новых данных по кластерам и её рисунок.
6. Фрагмент Таблицы классификации, Таблицы чувствительности и Таблицы Матрицы ошибок.
7. По каждому кластеру:
- Сохранённую сеть для решения задачи регрессии внутри каждого кластера и её изображение.
- График зависимости наблюдаемых значений от предсказанных
- Фрагменты Таблицы регрессии, Таблицы результатов, Таблицы остатков, Таблицы предсказаний.
- Краткое пояснение к каждому фрагменту данных и рисунку.
Студент должен освоить следующие знания и умения:
1. Отличие задач классификации и регрессии. Отличие типов входных переменных при обучении сети при решении задач классификации и регрессии.
2. Запускать программу Statistica 7 и загружать задание.
3. Запускать модуль Нейронные сети
4. Выбирать нужный тип задач (Регрессия)
5. Правильно задавать типы переменных задачи
6. Пользоваться Мастером и Конструктором сетей для решения задачи
7. Задавать необходимое число сетей для обучения и число сохраняемых сетей
8. Понимать, какие типы сетей являются наиболее подходящими для задач различного типа, и уметь их задавать
9. Задавать конфигурацию обучаемых сетей
10. Уметь задавать синаптическую и активационную функции.
11. Уметь анализировать полученные результаты обучения сетей (Таблица результатов, регрессии, чувствительности, предсказаний, график зависимости наблюдаемых значений от предсказанных) и выбирать лучшую сеть.
12. Знать смысл понятия производительность сети в задаче регрессии
13. Уметь выводить рисунок сети, задавать обучающие наблюдения на вход сети и отображать работу сети по классификации на рисунке сети.
14. Уметь подавать на вход обученной сети новые наблюдения и получать результаты классификации.
15. Уметь сохранять обученную сеть.
16. Уметь запускать сохранённую обученную сеть сразу в работу без обучения для классификации новых наблюдений.
Дата добавления: 2015-07-19; просмотров: 160 | Нарушение авторских прав
| <== предыдущая страница | | | следующая страница ==> |
| для слушателей, обучающихся | | | Кировский район |