Боровиков В.П. - Нейронные сети (778916), страница 46
Текст из файла (страница 46)
8.6.15 или рнс, 8.6.16). Перейдем на вкладку Быстрый окна результатов модели и нажмем кнопку Описапгельные стапшстики (рис. 8.6.18). На экране появится таблица (рис. 8.6.19). ,М «««Д е п««р~ «« '«~ц г «««« Рис. 8.6.18. Окко результатов аиализа, вкладка Быстрый Рис. 8.6.19 Таблииа оаиеательиых статистик Из таблицы видно, что отношение стандартных отклонений равно 0,006. Как показано на рис. 8.6.18, в поле Выборки вывода результатов был выбран пункт Все. Теперь на той же вкладке укажем пункт Все . Это позволит получить таблицу результатов по всем выборкам в отдельности.
Результаты показаны на рис. 8,6.20. Видно, что параметр Отношение ст.откл. однороден по всем выборкам. 238 Глава 8. Промеры промененоя Рис. 8.6.20. Таблипа описательиьп статистик лла всех выборок по отдельности 3 5 7 9 Х 3 5 7 9 У Рпс. 8.6.21. Графики отклика па кзмепеиия перемеипых Хи У Графики отклика на изменения переменных Х и У(при фиксировании значения второй переменной) показаны рис. 8,6.21.
В заключение приведем граф построенной нейронной сети архитектуры РБФ (рис. 8.6.22), Рис. 8.6.22. Схема построепиоИ сети Сеть имеет структуру прямого распространения с двумя входными перемснными, 540 элементами на скрытом слое и одним элементом на выходном слое. Точность построенной модели равна 0,7%.
Нейронные селга. ЗТАТ!ЗТ!СА Неога! Неоиогае Можно сделать вьгвод, что сеть успешно распознала структуру обучающего множества и пригодна для использования в прогнозировании значений зависимой переменной, Шаг 7. Сохранение модели. На окне результатов (вне зависимости от вкладки) нажимаем кнопку ОК. Мы возвращаемся к стартовому окну модуля. На стартовом окне переходим на вкладку Сети/ Ансабли (рис.
8.6.23). нн Г н "- р™е м--. н, ннн» н ни /* Ркс. 8.6.23. Стартовое окно модула Нейроггиме сети, вкладка Сети/Аисим0ли .гугя~т3 1н и Нннн ннн КЕ ! г ° он. пва3ав) ~ Ркс. 8.624. Запуск ппструмепта Геиеритор кода 240 Гпава В. Примвры применения С помощью кнопок Сохранить файл сети как,. или Сохранить файл сети сохраняем созданную сеть (ансамбль или набор) с расширением .зпп. Для того чтобы сохранить сеть в формате языка программирования, необходимо перейти на вкладку Дополнительно и выбрать инструмент Генератор кода (предварительно убедитесь, что он входит в вашу комплектацию модуля Нейронные сети).
Выбор инструмента показан на рис. 8.б.24. Окно генератора кода показано на рис. 8.6.25. Ряс. 8.625. Окко Генератора кода Пользователю остается только выбрать формат сохранения кода. После чего полученный файл сохраняется и готов к интеграции с другими приложениями, ПРИМЕР 7. Прогнозирование продаж нефти Имеются данные по ценам на нефть за три полных года При этом изменения цены фиксировались в каждый день торгов.
Необходимо проанализировать временной ряд, вьщслить характерные периоды колебаний цен на нефть. С помощью модели временного ряда необходимо построить прогноз вперед иа несколько месяцев и оценить точность прогноза. Структура данных Значения временного ряда записаны в отдельном столбце ОП. таблицы исходных данных (рис. 8.7.1). В первой переменной записана дата, а переменныс 2-4 представляют собой запись даты, но в виде трех переменных (день!месяц/год).
241 Неаронные сепзц, ЗТАТ1ЗТ1СА 9100!а! 9161вогхб Цени на н нн 1 ! 2 З, 4 б ОАТА ' 44 нние н ?7Л Ъ95 17хз 1 Рвс. 8.7.1. Исходвыя фаад даввых Посгтзреение моцепи Шаг 1. Рассмотрим поведение временного ргща. График временного ряда показан на рис. 8.7.2 Усредним рассматриваемый ряд по месяцам. Это удобно сделать, например, с помощью модуля Груплироека и однофакторныйДА. График усредненного ряда изображен на рис. 8.7.3. Помимо среднего значения на графике приведены максимальные и минимальные цены за месяц.
Правая вертикальная шкала относится стандартному отклонениго за месяц. 26 24 20 1б 2742% ПО!% %Ого! г!ЮЮ ВОЗ90 ЮПО99 ЮОЗнд 04%% 04 04 96 24 10 96 15 05 97 01,12 Я 24 Обдо %.01 99 10 06 99 Рвс. 8.7.2. Графах всходвого времеваого ряда 242 1 2 з 4 5 б О 9 ю' 11 12 !з 14 15 16 !з !О 29ЛЪ95 Ого! аб !Об' 00166 жю!еб ООО1% 1726 !ОЮ!Юб !!Юзаб !2Ю17% 15Ю1ЕО 1601 66 аюпж 1601% 19 017% ЛЮ1% 27 12 19% 26 !г !9% ю !г !9% 2 1 1996 з ! !9% 4 1 19% 5 1 1%6 в ! вю 9 1 1%6 ю ! аж 11 1 1996 12 1 19% 15 1 19% 16 1 1%6 17 1 1996 16 ! !юб 19 1 1996 22 ! 19% 1679 !вгв 16% !Ож 19,15 !9,!З 194В 19Я6 19 ДО 16,4В 1726 1796 17Д5 1779 В,ов 172% 1769 Гяава 8.
Примеры применения 1,6 28 24 1,2 1,0 20 0,8 16 0,6 0,4 12 Рис. 8.7.3. График усредпсипото рада цеи иа нефть (в долл.) Шаг 4,. Проведем спсктральпьВИ анализ. Запускаем модуль Временные ряды и прогнозирование 1',рис. 8.7.4). Рис. 8.7.4. Запуск модула Временные реди и прогнозирование Рис.
8.7.5. Стартовое окко Анплпзп временных рядов 243 12. 1995 08.1996 04. 1997 12. 199! ОВ. 1998 04. 1999 04.1996 12.1996 08.1991 04.1998 !2.1998 08.1999 ФДЮ . ОНЮ .Ви я Иаю Щ 4ии лй 00) 0,2 о!цц и 0 оцс! ии ° о!цц и - О!Ц01 ВМ 4 ° Неароннме сети ЗТАТ!ЗТ!СА 67еига! !Че1итот!46 Далее нажимаем кнопку Фурье (спектральный) апализ (рис. 8.7. 5). В качсстве персменной выбираем переменную, содержащую средние значения цены по месяцам (рис. 8.7.6). Рнс. 8.7Ь. Окно Спектрального анализа Слеитральний анализ: Ой.
Среднее Число наблюдений: 46 250 250 8 * гоо в е Я 'с 150 е. 1ОО м гоо 150 100 50 о 0 35 40 45 50 о 0 5 1О 15 20 25 Период Рис. 8.7.7. Псриодограмма усредненного ряда Слелтральннй анализт Ой. т Ст. атил Числа наблюдений: 46 0,7 0,7 д 0,6 8. 0,5 о 0.4 0,3 8 02 т Д О,1 0,6 0,4 О,з 0,2 О,1 о 0 О 5 1О 15 20 25 30 35 40 45 50 Рнс. 8.7.8. Периодограмма дла стандартна!к отклонений 244 Гпааа 8, Промеры променеяия Псриодограмма средних значений имеет вид, представленный на рис. 8.7.7.
Аналогично, для величины стандартных отклонений (рис. 8.7. 8). Шаг 3. Анализ автокорреляционной функции. Запускаем АРПСС и автокоррсляционные функции. Автокорреляционная функция для средней цены на нефть представлена на рис. 8.7.9. шунау о 42,29 76.13 101,1 1!В,7 130,1 137.5 141,6 143,6 144,6 145,1 145. \ 145,3 !45,6 150,1 155,3 164,5 В4.1 !В4,4 1.0 Рас. 8.7.9.
Аатокоррелацвонваа фувкцая дла усредненной но мееацам цевм на нефть Автокорреляцнонная функция 01С т Сг, откл. (Стандартное ошибки - оценки белого Лат Корр. С ! +,032,!ЭЯЯ 2 -,169 ,1364 3 †.020 ,1369 4 †,077 ,!354 5 -,933,13!Я 6 ° ,226 ,1323 7 г,бб4 ,1307 6 г,994 ,1291 Я г,056,1275 19 -,024,1256 1! -,216 ,1242 12 ,103 ,таз \Э ° „237 ,12еа 14 -,973 ,1190 !5 -,139 ,1173 тб +,019 Л!55 17 +,ОЗБ,ИЭ7 16 —,142,1! 16 е -1,0 -0,5 0 ОЛ вЂ” - Дов нигера Рае.
8.7.10. Аатокоррелацва лла стандартных откловеввд 245 Автокопзелюцнонная функцию ОО.. Среднее (Стандартные ошибки — оценки белого Лат Корр. С 1 +,910,1399 2 +,605,13В4 3 +,6В4 .1369 4 +,56В,1354 5 +,453 ,1339 6 +,359,132Э 7 Е,267 ,1307 В +,1В2 ,1291 9 Е,127 ,1275 10 +,ОВ7 ,125В 11 +,015,1242 12 -.054 .1225 13 к139 .12ОВ 14 -,220 ,1190 15 ..294,1!73 16 -,330 ,1155 П -.353,1137 16 о35В,111В 0 .1,0 0,5 О 0,5 шуиву а .65 1,55 1,57 1,69 2,05 4ле 5,20 3,26 5,39 5,42 В,46 9,17 13,02 13,42 14,ВЗ 14,В4 14,94 тб,в 0 1,0 р О,ООО О,ООО ОЗКВ О,ООО О,ООО О,ВВ О,ООО 0,000 0,000 О,ООО ОДБЮ 0,000 О,ООО 0,000 О,ООО О,К70 0,000 О,К — — Дов.
нигера. р ,В170 ,46!Э ,6643 7553 ,В423 ,549 ! ,6360 ,7362 ,799 ! .В611 ,4724 ,6В66 ,4464 ,4941 ,4940 ,5342 ,3995 ,5534 Неаронные сена. ЗТАТ!Зт!СА Недуге! Ме!асье Автокорреляция для стандартных отклонений имеет вид, представленный на рис. 8.7.10. График автокорреляциониой функции позволяет оценить периодичность автокорреляции. В нашем примере положительные значения корреляций функции соответствуют предыдущим значениям ряда с лагами от 1 до 11.
Будем использовать интуитивно понятную годовую сезонность. Шаг 4. Предварительное построение модели с помощью Маси!ерш решеи ий БТАТБТ7СА МИ. Запускаем 8ТАГ!БТ!СА ЫЧ (рис. 87.11). В качестве входной и выходной переменной выбираем ОП, Среднее (рис. 8.7,12). Рис. 8.7.11. Стартовое оипо Нейронпы.к сетей Рис. 8.7.12. Оиио задания перемеииьп 246 Гпава 8. Примеры применения Далее переходим в окно построения Нейронных сетей с помощью Мастери решений (рис.
8.7.13). Изменим параметр количества сетей Ф сетей и зацацим его равным 500. Данный параметр определяет длительность проводимого анализа (число моделей, которые будут тестироваться). Рас. 8.7.13. Окно Мастера решений, вкладка Быстрый Перейдем на вкладку Временные ряды и поставим флажок у опции Нннтернретировать данные как временной ряд (рис. 8.7.14). Рас. 8.7.14.
Окяо Мастера решений, вкладка Временные ряди В качестве окна прогноза выберем 12 (указываем одновременно в полях минимум и максимум), который соответствует тому, что значение на месяц вперед будет прогнозироваться по данным за год. Не будем заранее делать предположений относительно архитектур сетей и оставим установки по умолчанию.
Нажимаем ОК. 247 Неаронные сеген. ВТАТВТ!СА Не«ге! МеГ«гога« Ф ° Ог ь ~нг ° б л «н н ~ ~~ФИ ФЦ «з «и «« ~ейск в 1 Рис. 8.7.15. Окно результатов авализа, вкладка Быстрый После обучения моделей на зкране появится окно Результаты (рис. 8.7.15). В таблице в верхней части окна приводятся сохраненные архитектуры сетей и различные показатели качества построенных моделей. Если мы обратим внимание на значения ошибок на множествах, то, в данном случае, можно выделить вторую и пятую модели. Результаты Описательных статистик представляют собой таЬ- лицу (рис.
8.7.1б). Рис. 8.7.16. Таблива овисательвых статистик Наиболее информативным параметром здесь в смысле показателя качества модели служит, как уже говорилось, Отношение ст.откл. Наилучшим значением параметра обладает вторая модель 0,2677 (таким образом, модель объясняет примерно три четверти исходного ряда). Отобразим Предсказанные значепил на линейном графике (рис. 8.7.17). Каждая точка на графике получается следующим образом: из исходного ряда берется 12 значений и прогнозируется значение на 248 Гпава 8. Примеры применение 26 24 22 20 18 16 14 12 -4 ог ои.м 1 ог..'гг - ог..гз ок.м ° оилз 10 13 16 19 22 25 28 31 34 37 40 43 46 Рис.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
