Белкоопсоюз

 

50 

Перейдите к следующему шагу мастера по кнопке Далее. 

Выберите способы отображения данных Таблица, Куб. Щелкните кнопку Далее. 

На шестом шаге Мастера импорта настройте назначение полей в кубе: 



 Этаж – измерение; 



 Площадь_квартиры – измерение; 



 Наличие_балкона – измерение; 



 Наличие_телефона – измерение; 



 Наличие_отделки – измерение; 



 Цена – факт. 

На седьмом шаге мастера настройте предварительное размещение полей в кросс-таблице так, как пока-

зано на рисунке 54. 

 

 

 

Р ис уно к 5 4   –  Настройка размещения полей для OLAP-отчета 

 

Введите имя для ветви сценария Цены_Жилье и щелкните кнопку Готово. 

3. Постройте и обучите нейросеть. 

Запустите Мастер обработки на панели Сценарии. 

Выберите алгоритм Многослойная нейронная сеть и щелкните Далее. 

На втором шаге Мастера обработки проведите настройку нормализации: целью нормализации значе-

ний  полей  является  преобразование  данных  к  виду,  наиболее  подходящему  для  обработки  алгоритмом. 

Преобразуйте непрерывные значения полей Этаж и Площадь_квартиры к диапазону [0, 1]. Дискретные 

данные преобразуйте к набору уникальных индексов, упорядочив значения по принципу «лучшие – худ-

шие». 

На третьем шаге Мастера обработки укажите разбиение обучающей выборки на обучающее – 80% и 

на тестовое – 20%. 

На четвертом шаге Мастера обработки опишите структуру нейросети: 



 количество нейронов во входном слое – 5; 



 скрытых слоев – 2; 



 тип функции – сигмоида; 



 крутизна – 1. 

На пятом шаге Мастера обработки параметры настройки процесса обучения нейросети оставьте без 

изменений. 

На шестом шаге мастера обработки установите следующие параметры: 



 Считать пример распознанным, если ошибка меньше 0,05; 



 По достижении эпохи – 1 000. 

На седьмом шаге Мастера обработки нажмите кнопку Пуск и проследите за процессом обучения сети. 

Процесс  обучения  будет  остановлен  по  достижении  1 000  повторов,  желательно,  чтобы  процент  распо-

знанных примеров составлял 100. 

На восьмом шаге Мастера обработки установите флажки для следующих способов отображения: 



 Граф нейросети; 



 Что-если; 



 Обучающий набор; 



 Диаграмма рассеяния. 

На завершающем шаге Мастера обработки нажмите Готово. 

Сохраните проект в своей папке под именем Прогноз_Жилье. 

Проанализируйте и объясните полученные результаты. 

 

51 

С  помощью  визуализатора  «Что-если»  проверьте,  какая  прогнозируемая  цена  ожидается  на  квартиру 

площадью 36 м

2

 на пятом этаже, без балкона, с телефоном, частичным ремонтом. 

Отобразите полученные результаты на диаграмме. 

 

Задание 7.2. Постройте и обучите нейронную сеть для выдачи экспертного заключения о том, как по-

ступать с акциями банков. 

Сущность задачи заключается в следующем: имеется мнение эксперта, который на основе изучения со-

отношения  затрат  и  прибыли  финансовых  учреждений  рекомендует  акционерам  банков  купить  акции, 

придержать их или продать. Экспертные оценки занесены в таблицу – обучающую выборку. Нейронная 

сеть обучается на этих данных и учится самостоятельно формировать соответствующие выводы в случае 

предоставления ей новых данных. 

Исходные данные представлены в таблице 23. Сформирован файл банки.xls. 

 

Таб л иц а 2 3   –  Исходные данные для обучающей выборки 

Номер_Банка 

Затраты 

Прибыль 

Рекомендации 

1 

10,0 

8,0 

Продать 

2 

15,0 

17,0 

Купить 

3 

12,0 

14,0 

Купить 

4 

14,0 

15,0 

Купить 

5 

11,5 

14,0 

Купить 

6 

13,0 

12,5 

Держать 

7 

16,0 

16,0 

Держать 

8 

14,6 

17,0 

Купить 

9 

18,0 

20,0 

Купить 

10 

16,5 

17,0 

Держать 

11 

14,0 

14,0 

Держать 

12 

15,0 

12,0 

Продать 

13 

12,0 

13,0 

Купить 

14 

11,0 

12,0 

Купить 

15 

16,2 

18,0 

Купить 

16 

14,8 

14,0 

Держать 

17 

20,0 

22,0 

Купить 

18 

17,0 

15,0 

Продать 

19 

18,0 

15,0 

Продать 

20 

14,0 

14,0 

Держать 

 

Задание выполните в следующем порядке: 

1. Загрузите пакет «Deductor Studio». 

2. Запустите Мастер импорта, нажав клавишу F6. Загрузите обучающую выборку для нейросети путем 

импорта данных из файла банки.xls. В окне Мастер импорта (шаг 2) укажите путь к базе данных и имя таб-

лицы Лист1$. Нажмите Пуск для запуска процесса на шаге 3. 

3. В настройках импорта (шаг 4 Мастера импорта) установите типы полей: 



 Номер банка – информационное; 



 Затраты – входное; 



 Прибыль – входное; 



 Рекомендации – выходное. 

4. Выберите способ отображения данных Таблица (шаг 5 Мастера импорта). На шаге 6 Мастера им-

порта нажмите кнопку Готово. 

5. Переименуйте ветвь сценария, задав Данные по банкам. 

6. Создайте и обучите нейросеть. 

Запустите Мастер обработки, нажав клавишу F7. 

Выберите метод Data Mining Нейросеть. 

В окне Мастер обработки (шаг 2) проверьте назначение полей: 



 Номер банка – информационное; 



 Затраты – входное; 



 Прибыль – входное; 



 Рекомендации – выходное. 

 

52 

При необходимости проведите настройку нормализации полей, щелкнув по кнопке Настройка норма-

лизации. 

В окне Мастер обработки (шаг 3) настройте обучающую выборку, разбив ее на два множества – обу-

чающее  и  тестовое.  Обучающее  множество  составят  95%  записей  (это  записи,  которые  будут  использо-

ваться непосредственно для обучения сети), остальные 5% войдут в тестовое множество (записи, исполь-

зуемые для проверки результатов обучения). Способ разделения исходного множества – случайно. 

В окне Мастер обработки (шаг 4) настройте структуру нейросети: 



 количество нейронов во входном слое – 2; 



 количество скрытых слоев – 1; 



 количество нейронов в скрытом слое – 2; 



 количество нейронов в выходном слое – 1; 



 тип активационной функции – сигмоида. 

В окне Мастер обработки (шаг 5) выберите алгоритм обучения нейросети: 



 Метод Resilent Propogation (Rprop) – эластичное распространение. Алгоритм использует так называе-

мое «обучение по эпохам», когда коррекция весов происходит после предъявления сети всех примеров из 

обучающей выборки. Преимущество данного метода заключается в том, что он обеспечивает сходимость, 

а, следовательно, и обучение сети в 4–5 раз быстрее, чем алгоритм обратного распространения. 



 Шаг  спуска  0,5  (коэффициент  увеличения  скорости  обучения  при  недостижении  алгоритмом  опти-

мального результата). 



 Шаг подъема 1,2 (коэффициент уменьшения скорости обучения в случае пропуска алгоритмом опти-

мального результата). 

В окне Мастер обработки (шаг 6) задайте условия, при выполнении которого обучение будет прекра-

щено: 



 считать пример распознанным, если ошибка меньше 0,05; 



 по достижении эпохи (циклов обучения) – 1 000. 

В окне Мастер обработки (шаг 7) щелкните кнопку Пуск для запуска процесса обучения нейросети. 

В  окне  Мастер  обработки  (шаг  8)  установите  флажки  для  выбора  визуализаторов  Граф  нейросети, 

Что-если, Обучающий набор, Таблица сопряженности. Нажмите Далее и Готово. 

7. Изучите  полученные  результаты,  рассмотрев  результаты  на  имеющихся  визуализаторах.  Выясните, 

какой  процент  случаев  распознан  на  обучающем и  тестовом  множествах. Примените  нейросеть,  чтробы 

определить, какое решение следует принять, если: 



 прибыль и затраты по 20; 



 прибыль 15, затраты 17; 



 прибыль 18, затраты 14. 

 

 

жүктеу/скачать 1.85 Mb.

Достарыңызбен бөлісу: