4. Пример выполнения практического задания

Задание: настроить нейронную сеть для автоматического расчета стоимости жилья по его косвенным признакам.

Порядок выполнения задания:

1. Для начала работы необходимо открыть ранее созданный в MS Excel файл «Цены на недвижимость» (рис.6). Исходя из того, что квартиры на первом и последнем этаже стоят дешевле, чем на всех остальных этажах, поэтому для решения данной задачи неважно на каком именно этаже находится квартира и также этажность дома, главное размещена она или нет на первом или последнем этаже. Исходя из вышесказанного, поля «Этажность дома», «Этажность квартир» для обучения сети не нужны, но необходимо ввести новое поле «Этаж», которое будет показывать: находится квартира на первом или последнем этаже. При этом необходимо создать два вспомогательных поля:

а) «Первый этаж» - это поле показывает находится ли квартира на первом этаже. 1 - на первом этаже, 0 - на любом другом. Данное поле рассчитываем с помощью функции «ЕСЛИ»: если «Этажность квартиры» равна единице, следовательно, в поле «Этаж» будет занесена единица, а иначе - 0.

б) «Последний этаж» - это поле показывает, находится ли квартира на последнем этаже. 1 - на первом этаже, 0 - на любом другом. Данное поле также рассчитываем с помощью функции «ЕСЛИ»: если «Этажность квартиры» равна полю «Этажность дома», то в поле «Этаж» заносится единица, а иначе - 0.

Рис.6. Файл MS Excel «Цены на недвижимость»

Таким образом, входящими полями будут являться: «Количество комнат», «общая площадь», «Жилая площадь», «Тип дома», «Этаж», «Площадь кухни», «Минут ходьбы», «Телефон», «Балкон/лоджия». Выходное поле - «Цена». Неиспользуемые поля - «Этажность квартир», «Этажность квартир», «Первый этаж», «Последний этаж» (рис.7).

2. Необходимо подключить созданный файл в программный модуль Neural Analyzer и в пошаговом режиме заполнить все необходимые установки.

3. После этого провести несколько опытов с изменением количества нейронов в скрытом слое и сделать вывод.

В результате обучения нейронной сети получаем «Рабочую выборку» (рис.8.) и следующие данные (табл.1).

Рис.7. Указание типов использования полей.

Рис.8. Рабочая выборка.

Таблица 1

Количество нейронов в скрытом слое	Средняя среднеквадратическая ошибка	Максимальная среднеквадратическая ошибка
1	3,910-3	3,410-2
1	3,810-3	3,310-2
1	4,710-3	4,010-2
2	3,710-3	3,510-2
2	3,710-3	7,610-2
3	3,110-3	5,210-2
3	2,810-3	3,710-2

Минимальная цена квартиры:

Цена_min = 1,510⁴ = 0,1510⁵;

Максимальная цена квартиры:

Цена_max = 1,4510⁵;

Средняя цена квартиры:

Цена_ср = 6,8510⁴ = 0,710⁵.

Полученные значения нормированы от 0 до 1, т.е. для цены 0 = 0,1510⁵, 1 = 1,4510⁵, поэтому необходимо их корректировать на величину дельта (разброс):

Δ = Цена_max- Цена_min= 1,4510⁵ - 0,1510⁵ = 1,310⁵.

Например, средняя среднеквадратическая ошибка = 3,9*10^-3. Корректируем ее: 3,910^-31,310⁵ = 5,110² = 510 ($). Это означает, что средний разброс от эталонного значения равен 510 ($).

Например, максимальная среднеквадратическая ошибка равна 3,410^-2. Корректируем ее:

3,410^-21,310⁵ = 4,4210² = 4420 ($).

Это означает, что нейросеть не ошибется больше, чем на 4420 ($) в меньшую и в большую сторону.

4. Построим графики зависимости цены от общей площади (рис. 9). Как видно из графика, значения цены, которые рассчитала сеть, отличаются от эталонных. Нейронная сеть лучше всего справляется с определением цены в низшем ценовом диапазоне, более-менее в высшем, а в среднем - плохо.

5. На основании всего вышесказанного, можно сделать вывод о том, что данную сеть лучше не использовать, так как раньше было рассчитано, что диапазон ее ошибки достаточно велик.

Рис.9. График зависимости цены от общей площади.