Решение задачи регрессии в пределах одного кластера.
Теперь решение задачи регрессии становится простой и формальной процедурой.
· Указав на кластер, нам необходимо вычислить итоговое значение z для четверки предикторов.
· Для решения этой задачи для каждого кластера необходимо построить регрессионную нейронную сеть.
· Сценарий решения задачи регрессии разобран в первом разделе данной статьи.
Воспользуемся этим же сценарием для решения задачи регрессии внутри 4-го кластера.
(Для остальных кластеров подход к решению аналогичный)
Ограничим все множество данных четвертым кластером:
· Для этого в стартовой панели модуля SNN - Нейронные сети нажмем кнопку Select Cases - Выбор наблюдений
· введем условие на включение наблюдений в анализ cluster=4.
· Результаты – рис.23. - График показывает качественно построенную модель.
Рис.23. График наблюдаемых и предсказанных значений.
· Увеличение разл. обл. графика так же показывает, что модель построена верно.
· Изучение значений остатков подтверждает выводы.
· Относительная ошибка не превышает 5%.
· Для остальных кластеров были получены аналогичные результаты.
· задача решена.
Резюме
Данная работа представляет собой решение задачи обобщенной нелинейной регрессии z = f(x, y, factor1, factor2) с применением идеологии нейронных сетей, реализованной в пакете STATISTICA Neural Networks.
· была предпринята попытка решить поставленную задачу сразу, т.е. подобрать нейронную сеть, предсказывающую поведение физического процесса независимо от типа исходных данных
|
|
|
· В результате была найдена нейронная сеть с неплохой производительностью, но совершенно не удовлетворяющая требования к решению задачи в области малых значений x и y
· Выявлено противоречие данных о природе изучаемого физического процесса теореме Колмогорова о полноте, т.к. функция процесса не является непрерывной.
· чтобы исправить положение, было решено разбить данные на однородные подгруппы – кластеры
· Комбинация методов Древовидной классификации и Кластеризации К-средних привела к хорошему результату.
· Было выявлено четыре кластера.
· На следующем этапе был построен нейросетевой классификатор. Данный инструмент позволяет отнести многомерный объект (x, y, factor1, factor2) к одному из четырех кластеров. Созданный классификатор обладает производительностью близкой к 100%.
· На завершающем этапе внутри каждого из кластеров строится регрессионная нейронная сеть. Точность предсказанных значений не хуже 5% для каждого из выделенных кластеров.
Дата добавления: 2021-01-21; просмотров: 81; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!