
- •Федеральное агентство по образованию
- •Глава 1. Теоретические основы нейросетевых технологий 4
- •Глава 2. Применение персептрона в оценке стоимости квартир 15
- •Глава 1. Теоретические основы нейросетевых технологий
- •1.1. История развития нейронных сетей
- •1.2. Искусственные нейронные сети
- •1.3. Проектирование нейронных сетей
- •1.4. Обучение нейронных сетей
- •1.5. Подготовка входных и выходных параметров
- •1.5.1. Подбор обучающих примеров
- •1.5.2. Предобработка обучающих примеров
- •1.6. Возможности нейросетей
- •1.6.1. Преимущества нейросетей
- •1.6.2. Задачи, решаемые с помощью нейросетей
- •1.6.3. Прикладные возможности нейронных сетей
- •Глава 2. Применение персептрона в оценке стоимости квартир
- •2.1. Проектирование модели
- •2.2. Исследование модели
2.2. Исследование модели
На следующем этапе выясним, какие из рассмотренных входных параметров являются наиболее значимыми.
Полученные результаты представлены на рис.5.
Рис. 5. Значимость параметров
Таким образом, из приведенного выше графика видно, что для обучения наиболее значимыми входными параметрами являются такие параметры, как «этаж», «всего этажей», «тип дома», «планировка», «наличие балкона или лоджии». Для обобщения наиболее значимыми параметрами являются: «количество комнат», «всего этажей», «тип дома», «стена», «планировка», «площадь кухни». Из графика видно, что при обобщении наименьшее влияние на среднюю стоимость имеет этаж.
Проведен анализ суммарной ошибки (рис. 6). В результате выявлены наиболее значимые для обучения и обобщения примеры; а также примеры, которые не оказывают влияние на ошибку. Примеры, имеющие незначительное влияние на конечную ошибку, были удалены. Удалены 15 обучающих примеров. После анализа суммарной ошибки нейросимулятор был повторно обучен. Максимальная ошибка получилась равной - 0,038, что значительно меньше, чем до удаления незначимых примеров: до удаления ошибка была – 0,054.
Рис. 6. Выявление постороннего выброса в обучающем множестве методом анализа ошибки обобщения
На стоимость квартиры влияет множество различных параметров, например район, в котором находится квартира. Покажем на графике зависимость стоимости квартиры от района (рис. 7.).
Рис. 7.
Как видно из графика самые дорогие квартиры в Ленинском районе.
Такой факт можно объяснить высокой себестоимостью застройки Ленинского района (высокая цена земельных участков), а так же центральным его положением.
Заключение
В результате проделанной работы были изучены основы нейронного подхода; рассмотрены возможности применения нейросетей; построена модель для оценки недвижимости, учитывающая различные факторы, влияющие на стоимость.
Применение искусственных нейронных сетей при оценке стоимости недвижимости имеет свои адекватные причины. Проблема жилья стоит достаточно остро не только в Пермском крае, но и по всей России, и волнует не только профессиональных оценщиков, людей, вкладывающих в недвижимость, но и рядовых граждан, которые ищут наиболее простые способы оценки стоимости квартир. При определённых наработках нейронные сети позволят любому гражданину, не имеющему специального образования, при наличии готового программного продукта, оценить стоимость интересующего жилья.
В данной работе были определены наиболее значимые факторы, выявлено оптимальное количество нейронов на скрытом слое, обучена нейронная сеть и оценена степень влияния рассмотренных параметров на конечную стоимость квадратного метра объекта недвижимости.
Данная модель имеет достаточно обобщённый характер, но, всё-таки, позволяет сделать определённые выводы при прогнозировании стоимости жилой недвижимости, даёт представление об общей ситуации, складывающейся на рынке недвижимости. На этой основе в неё достаточно легко вносить свои корректировки, добавлять новые входные параметры, уточнять их, чтобы учесть специфику рынка.
Библиографический список
Литература
Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений. – М.: Издательский центр «Академия», 2005. – 176с.
Оссовский С. Нейронные сети для обработки информации. – М.: Финансы и статистика, 2002. – 344с.
Хайкин С. Нейронные сети: полный курс. – М.: 2006..
Сайты Интернет
Нейрокомпьютеры http://dfe3300.karelia.ru/koi/www/neucom.html
www.neuroproject.ru
www.statsoft.ru
www.softportal.us
Агентство недвижимости «Тимур» - www.timur.perm.ru
Работы на похожую тему
Плотникова Е. Ю. Оценка стоимости квартир в г. Перми на основе нейросетевого подхода.
Путко И. А. Использование нейронных сетей на рынке недвижимости.
Митюкова М. Е. Прогнозирование средней стоимости жилой недвижимости с использованием нейросети.
Приложение 1
Обучающая выборка
X1 |
X2 |
X3 |
X4 |
X5 |
X6 |
X7 |
X8 |
X9 |
X10 |
X11 |
X12 |
Y1 |
1 |
5 |
8 |
10 |
1 |
2 |
4 |
34,6 |
17,8 |
8,9 |
4 |
1 |
2134134 |
1 |
5 |
2 |
9 |
2 |
1 |
4 |
36 |
18,7 |
6,3 |
3 |
1 |
2138681 |
1 |
5 |
5 |
5 |
2 |
2 |
4 |
29,8 |
17,2 |
6 |
4 |
0 |
1716929 |
1 |
5 |
8 |
10 |
1 |
2 |
4 |
34,6 |
17,8 |
8,9 |
4 |
1 |
2134134 |
1 |
3 |
1 |
5 |
3 |
1 |
4 |
31 |
18,7 |
6 |
1 |
1 |
1654554 |
1 |
3 |
2 |
5 |
7 |
1 |
4 |
18,6 |
12,2 |
0 |
1 |
0 |
1669562 |
1 |
3 |
1 |
5 |
3 |
1 |
2 |
30,7 |
17 |
6 |
1 |
1 |
1731686 |
1 |
3 |
7 |
10 |
1 |
2 |
4 |
41,9 |
16,5 |
8,7 |
3 |
1 |
2510128 |
1 |
3 |
4 |
5 |
3 |
1 |
4 |
31,8 |
17,8 |
6 |
4 |
1 |
1804034 |
1 |
3 |
3 |
5 |
2 |
2 |
2 |
30,9 |
17,5 |
6 |
2 |
1 |
1749591 |
1 |
3 |
2 |
14 |
8 |
1 |
4 |
47,5 |
16 |
14 |
1 |
0 |
2789349 |
1 |
3 |
8 |
7 |
8 |
1 |
4 |
53,2 |
19,9 |
19,2 |
1 |
0 |
3221017 |
1 |
3 |
1 |
5 |
3 |
1 |
4 |
27,8 |
15,9 |
6 |
1 |
1 |
1623072 |
1 |
2 |
11 |
11 |
1 |
2 |
4 |
34,45 |
16,58 |
9 |
3 |
0 |
2018100 |
1 |
2 |
2 |
5 |
3 |
1 |
4 |
30,4 |
17,1 |
6 |
1 |
1 |
1654549 |
1 |
2 |
8 |
10 |
1 |
2 |
4 |
36,3 |
16,4 |
8,9 |
2 |
1 |
2046864 |
1 |
4 |
5 |
5 |
3 |
1 |
4 |
31,2 |
17 |
6,1 |
2 |
0 |
2432663 |
1 |
4 |
1 |
9 |
4 |
2 |
2 |
32,2 |
16,9 |
6 |
5 |
1 |
2496832 |
1 |
4 |
1 |
5 |
9 |
1 |
4 |
29,1 |
14,7 |
7,5 |
1 |
0 |
2143445 |
1 |
4 |
2 |
5 |
5 |
1 |
4 |
24,4 |
17,9 |
0 |
1 |
0 |
1746135 |
1 |
4 |
1 |
5 |
2 |
1 |
4 |
30 |
16,8 |
6 |
1 |
1 |
1636225 |
1 |
7 |
3 |
5 |
5 |
1 |
4 |
28,8 |
16,7 |
5,5 |
1 |
0 |
1371124 |
1 |
7 |
7 |
9 |
1 |
2 |
2 |
38,9 |
17,7 |
8,6 |
4 |
1 |
2040485 |
1 |
7 |
4 |
5 |
3 |
1 |
4 |
25 |
16,8 |
4 |
5 |
1 |
1414737 |
1 |
7 |
3 |
5 |
5 |
1 |
4 |
30 |
18 |
6 |
4 |
0 |
1499869 |
1 |
7 |
3 |
5 |
2 |
1 |
4 |
31,2 |
16,1 |
7,2 |
2 |
1 |
1508893 |
1 |
7 |
4 |
10 |
1 |
2 |
4 |
38,3 |
16,5 |
8,8 |
3 |
0 |
2771735 |
1 |
7 |
5 |
5 |
2 |
1 |
4 |
32,9 |
18,3 |
6 |
2 |
1 |
1427251 |
1 |
6 |
1 |
2 |
3 |
1 |
4 |
31,9 |
18,5 |
0 |
1 |
0 |
1177943 |
1 |
6 |
1 |
5 |
3 |
1 |
4 |
31 |
18 |
6 |
1 |
1 |
1581801 |
1 |
1 |
3 |
5 |
3 |
2 |
4 |
32,1 |
19 |
5,8 |
2 |
1 |
2023740 |
1 |
1 |
1 |
10 |
1 |
1 |
2 |
33,9 |
16,1 |
9 |
1 |
0 |
2290180 |
1 |
1 |
4 |
5 |
3 |
1 |
2 |
31,1 |
17,9 |
6 |
4 |
1 |
2059742 |
1 |
1 |
1 |
9 |
5 |
1 |
2 |
36,1 |
17,4 |
9 |
5 |
1 |
2114602 |
1 |
1 |
1 |
5 |
3 |
1 |
2 |
30,8 |
18,6 |
6,2 |
1 |
1 |
1920667 |
1 |
1 |
14 |
16 |
1 |
1 |
2 |
40,9 |
18,7 |
7,2 |
3 |
0 |
2980345 |
1 |
1 |
7 |
9 |
5 |
2 |
4 |
28,5 |
16,6 |
5,2 |
6 |
1 |
2066832 |
1 |
1 |
1 |
5 |
3 |
2 |
4 |
30,6 |
19,1 |
5,9 |
1 |
0 |
2042683 |
1 |
1 |
3 |
9 |
5 |
1 |
4 |
29,8 |
18 |
4,5 |
6 |
1 |
1951786 |
1 |
1 |
3 |
9 |
5 |
1 |
2 |
20,5 |
10,9 |
4,9 |
2 |
0 |
1924344 |
1 |
1 |
1 |
5 |
2 |
1 |
3 |
30,4 |
16,5 |
5,9 |
1 |
1 |
1795670 |
1 |
1 |
3 |
9 |
5 |
1 |
4 |
29,2 |
17,5 |
5,6 |
2 |
1 |
1801158 |
1 |
1 |
3 |
5 |
3 |
1 |
4 |
30,6 |
16,8 |
6 |
1 |
1 |
1656298 |
1 |
1 |
3 |
9 |
5 |
1 |
4 |
26 |
16 |
4,4 |
6 |
1 |
1884582 |
1 |
1 |
5 |
5 |
6 |
1 |
4 |
33,3 |
18 |
7,3 |
2 |
1 |
1930751 |
1 |
1 |
4 |
5 |
3 |
1 |
2 |
31,9 |
17,8 |
6 |
2 |
1 |
1881452 |
2 |
4 |
2 |
2 |
3 |
1 |
2 |
44,7 |
31,7 |
13 |
2 |
0 |
255345,5 |
2 |
5 |
9 |
9 |
1 |
1 |
2 |
43,3 |
28,4 |
5,6 |
5 |
1 |
2636131 |
2 |
5 |
2 |
5 |
2 |
2 |
4 |
45 |
31,1 |
6 |
2 |
1 |
2287144 |
2 |
5 |
2 |
2 |
9 |
1 |
1 |
41,7 |
27,8 |
7 |
1 |
0 |
1975574 |
2 |
5 |
4 |
5 |
2 |
2 |
2 |
45,4 |
6 |
0 |
2 |
0 |
2698753 |
2 |
5 |
2 |
9 |
2 |
1 |
2 |
53,8 |
33,1 |
6,9 |
3 |
1 |
2497719 |
2 |
3 |
1 |
16 |
1 |
2 |
2 |
53,7 |
30,8 |
9 |
1 |
1 |
3353860 |
2 |
3 |
1 |
5 |
3 |
1 |
4 |
42,7 |
30,8 |
5,9 |
1 |
1 |
2124049 |
2 |
3 |
9 |
10 |
1 |
2 |
2 |
52,3 |
31 |
8,6 |
3 |
1 |
2742761 |
2 |
3 |
1 |
10 |
1 |
1 |
2 |
49,9 |
28,4 |
8,8 |
5 |
1 |
3134957 |
2 |
3 |
2 |
10 |
1 |
2 |
4 |
52,6 |
31,3 |
8,8 |
2 |
1 |
3131617 |
2 |
3 |
1 |
3 |
3 |
1 |
1 |
40,1 |
27,8 |
5,5 |
1 |
1 |
1947257 |
2 |
3 |
4 |
5 |
3 |
1 |
1 |
43,5 |
29,1 |
6,1 |
2 |
1 |
2117294 |
2 |
3 |
1 |
5 |
2 |
2 |
4 |
44,8 |
27,8 |
6 |
1 |
1 |
2334493 |
2 |
3 |
4 |
4 |
3 |
1 |
4 |
42,7 |
29,1 |
5,6 |
2 |
1 |
2076627 |
2 |
3 |
4 |
5 |
3 |
1 |
1 |
44,4 |
28,1 |
5,9 |
4 |
1 |
2396878 |
2 |
3 |
2 |
5 |
3 |
2 |
4 |
42 |
26,8 |
5,8 |
2 |
0 |
2291799 |
2 |
3 |
1 |
5 |
2 |
2 |
2 |
47,8 |
33,1 |
6 |
1 |
1 |
2111691 |
2 |
3 |
3 |
5 |
6 |
1 |
2 |
48,8 |
29,2 |
7,7 |
5 |
0 |
2710666 |
2 |
3 |
5 |
5 |
3 |
1 |
3 |
44,4 |
30,4 |
6,3 |
1 |
1 |
2121620 |
2 |
3 |
6 |
10 |
1 |
2 |
2 |
47,5 |
28,7 |
7 |
3 |
1 |
2629506 |
2 |
3 |
1 |
5 |
2 |
2 |
2 |
44,1 |
31 |
6,1 |
1 |
1 |
2059699 |
2 |
2 |
5 |
5 |
2 |
2 |
2 |
47,5 |
32,6 |
6,6 |
4 |
1 |
2393069 |
2 |
2 |
1 |
5 |
2 |
1 |
2 |
44 |
28 |
7 |
1 |
1 |
2075920 |
2 |
2 |
2 |
5 |
2 |
1 |
2 |
48 |
30,2 |
6 |
4 |
1 |
2506593 |
2 |
2 |
1 |
5 |
2 |
2 |
2 |
43,9 |
27,7 |
6 |
1 |
1 |
2138888 |
2 |
2 |
3 |
5 |
2 |
1 |
4 |
40,8 |
26,2 |
5,2 |
2 |
1 |
2231168 |
2 |
2 |
1 |
5 |
0 |
1 |
4 |
41,5 |
28,1 |
5,7 |
1 |
1 |
2282728 |
2 |
2 |
1 |
10 |
1 |
2 |
2 |
53 |
31 |
9 |
1 |
1 |
2834801 |
2 |
2 |
2 |
5 |
2 |
2 |
3 |
44,6 |
30,7 |
5,8 |
2 |
1 |
2252556 |
2 |
2 |
3 |
5 |
2 |
2 |
1 |
36,7 |
21,9 |
6,5 |
1 |
1 |
2032810 |
2 |
4 |
2 |
9 |
4 |
2 |
2 |
43,7 |
27,6 |
8 |
6 |
1 |
3095744 |
2 |
4 |
16 |
16 |
8 |
1 |
4 |
137,7 |
46,6 |
25,4 |
6 |
1 |
16864655 |
2 |
4 |
4 |
9 |
4 |
2 |
4 |
44,2 |
27,6 |
7,6 |
2 |
1 |
3598682 |
2 |
4 |
2 |
5 |
9 |
1 |
4 |
60,5 |
32,4 |
7,8 |
1 |
1 |
3509657 |
2 |
4 |
3 |
9 |
4 |
2 |
4 |
46,8 |
27,9 |
7,7 |
3 |
1 |
3677600 |
2 |
4 |
4 |
5 |
2 |
1 |
2 |
44,8 |
29,7 |
6 |
2 |
0 |
2699924 |
2 |
7 |
5 |
5 |
3 |
2 |
1 |
44,9 |
30,6 |
6 |
4 |
0 |
2211681 |
2 |
7 |
2 |
3 |
3 |
1 |
1 |
41,2 |
26,4 |
5,6 |
1 |
1 |
2305303 |
2 |
7 |
5 |
5 |
7 |
1 |
4 |
28,8 |
21,1 |
4 |
1 |
0 |
1571384 |
2 |
7 |
9 |
9 |
2 |
1 |
2 |
43,5 |
26,7 |
5,8 |
2 |
0 |
2572701 |
2 |
7 |
1 |
9 |
1 |
2 |
4 |
54,3 |
31,7 |
8,8 |
1 |
0 |
3306321 |
2 |
7 |
9 |
9 |
1 |
2 |
2 |
52,2 |
30,8 |
8,8 |
4 |
1 |
2571748 |
2 |
7 |
1 |
9 |
1 |
2 |
4 |
53 |
31,1 |
8,8 |
1 |
1 |
2853730 |
2 |
7 |
9 |
9 |
4 |
2 |
2 |
43,3 |
27,6 |
7,6 |
3 |
1 |
2469120 |
2 |
7 |
1 |
3 |
3 |
1 |
2 |
42,5 |
31,5 |
6,4 |
1 |
0 |
1565406 |
2 |
6 |
1 |
5 |
7 |
2 |
2 |
36,6 |
22 |
6 |
1 |
0 |
1121214 |
2 |
6 |
9 |
10 |
1 |
2 |
2 |
53 |
31 |
9 |
5 |
0 |
2546996 |
2 |
6 |
5 |
5 |
2 |
2 |
2 |
49 |
31 |
6 |
6 |
0 |
1985870 |
2 |
6 |
3 |
5 |
2 |
2 |
2 |
45,9 |
31,2 |
6,4 |
2 |
1 |
2101486 |
2 |
6 |
5 |
5 |
2 |
1 |
2 |
44,4 |
30,6 |
5,8 |
4 |
1 |
2139143 |
2 |
6 |
8 |
10 |
1 |
2 |
2 |
50,2 |
30,5 |
9 |
5 |
0 |
2489129 |
2 |
6 |
3 |
5 |
3 |
1 |
2 |
42 |
32 |
6 |
1 |
1 |
1817391 |
2 |
1 |
6 |
9 |
5 |
1 |
4 |
43 |
22,6 |
9 |
6 |
1 |
2668085 |
2 |
1 |
5 |
5 |
3 |
1 |
1 |
45 |
30 |
6 |
4 |
1 |
2715070 |
2 |
1 |
13 |
14 |
1 |
1 |
2 |
56,3 |
35 |
8,6 |
5 |
1 |
2712247 |
2 |
1 |
2 |
4 |
9 |
1 |
2 |
48,4 |
26 |
9,6 |
1 |
1 |
2124667 |
2 |
1 |
6 |
9 |
1 |
1 |
4 |
52 |
29 |
7 |
3 |
1 |
3519882 |
2 |
1 |
1 |
2 |
3 |
1 |
1 |
39,8 |
27 |
6 |
1 |
1 |
1809731 |
2 |
1 |
6 |
10 |
1 |
1 |
4 |
54 |
30,6 |
8 |
3 |
1 |
3834626 |
2 |
1 |
1 |
5 |
3 |
1 |
1 |
42,3 |
23,3 |
6,1 |
1 |
1 |
2354440 |
2 |
1 |
9 |
10 |
1 |
2 |
4 |
55,5 |
31,1 |
8,8 |
3 |
1 |
3356498 |
2 |
1 |
2 |
2 |
9 |
1 |
2 |
58,9 |
38,9 |
5,9 |
1 |
1 |
1993301 |
2 |
1 |
2 |
2 |
3 |
1 |
4 |
39,6 |
27,1 |
5,8 |
2 |
1 |
1895414 |
3 |
1 |
2 |
9 |
4 |
2 |
4 |
63 |
43 |
7,7 |
6 |
1 |
3975069 |
3 |
1 |
10 |
10 |
1 |
1 |
2 |
70,3 |
47,5 |
8,4 |
4 |
1 |
6453185 |
3 |
5 |
1 |
5 |
2 |
2 |
1 |
47,4 |
33,5 |
5,9 |
1 |
1 |
2407734 |
3 |
5 |
1 |
9 |
4 |
2 |
2 |
62,7 |
39,6 |
9 |
3 |
1 |
3770057 |
3 |
5 |
1 |
9 |
4 |
2 |
2 |
62,7 |
39,6 |
9 |
3 |
1 |
3770057 |
3 |
5 |
7 |
9 |
1 |
2 |
2 |
67,4 |
8,6 |
0 |
5 |
0 |
4068292 |
3 |
5 |
2 |
14 |
1 |
1 |
4 |
65,8 |
36,9 |
10 |
3 |
1 |
4635904 |
3 |
5 |
9 |
9 |
4 |
2 |
4 |
60,4 |
44,3 |
9 |
6 |
0 |
3580732 |
3 |
3 |
7 |
16 |
1 |
2 |
2 |
91 |
47 |
9 |
5 |
1 |
7395936 |
3 |
3 |
3 |
5 |
2 |
1 |
4 |
52,5 |
35,9 |
6,2 |
4 |
1 |
2663069 |
3 |
3 |
4 |
5 |
3 |
1 |
1 |
56 |
42,8 |
0 |
2 |
1 |
2952127 |
3 |
3 |
5 |
5 |
3 |
1 |
4 |
58 |
45 |
6 |
1 |
1 |
2722077 |
3 |
3 |
9 |
9 |
2 |
1 |
2 |
60,3 |
43,9 |
6,6 |
5 |
1 |
3408855 |
3 |
3 |
2 |
9 |
4 |
2 |
4 |
57,5 |
39 |
8 |
6 |
0 |
2710249 |
3 |
3 |
9 |
9 |
4 |
2 |
4 |
56,6 |
36,4 |
7,5 |
3 |
1 |
3362043 |
3 |
3 |
4 |
9 |
4 |
2 |
4 |
64,1 |
44,8 |
8 |
6 |
1 |
3951463 |
3 |
3 |
9 |
10 |
1 |
2 |
2 |
67,3 |
44,1 |
9 |
6 |
1 |
4169524 |
3 |
3 |
3 |
5 |
3 |
1 |
4 |
57,3 |
40,4 |
6 |
2 |
1 |
2652189 |
3 |
3 |
3 |
5 |
3 |
1 |
4 |
43,2 |
35,7 |
0 |
2 |
1 |
2711100 |
3 |
3 |
5 |
5 |
3 |
1 |
4 |
56,6 |
43,1 |
6 |
2 |
1 |
2658324 |
3 |
2 |
5 |
5 |
2 |
1 |
4 |
57,8 |
41,2 |
6,1 |
2 |
1 |
2800852 |
3 |
6 |
9 |
9 |
2 |
1 |
4 |
58,5 |
40,1 |
7,2 |
5 |
1 |
2117863 |
3 |
4 |
7 |
9 |
4 |
2 |
4 |
59,1 |
39,4 |
10 |
2 |
1 |
4474422 |
3 |
4 |
2 |
9 |
4 |
2 |
4 |
66,6 |
47,8 |
9,5 |
6 |
1 |
4273086 |
3 |
4 |
9 |
12 |
2 |
1 |
4 |
56,4 |
38,5 |
9 |
2 |
1 |
4295534 |
3 |
4 |
6 |
9 |
4 |
2 |
2 |
64 |
45 |
7,6 |
2 |
1 |
4715598 |
3 |
7 |
5 |
5 |
2 |
2 |
4 |
47,3 |
32,8 |
5,9 |
2 |
0 |
2050413 |
3 |
7 |
6 |
10 |
1 |
2 |
2 |
68,9 |
40,2 |
8,8 |
5 |
1 |
3562096 |
3 |
7 |
10 |
10 |
10 |
1 |
2 |
97 |
63 |
15 |
4 |
1 |
6757917 |
3 |
7 |
7 |
9 |
1 |
2 |
4 |
69,6 |
43,6 |
8,9 |
6 |
1 |
3184055 |
3 |
7 |
2 |
5 |
6 |
1 |
2 |
65,2 |
40,1 |
7,8 |
5 |
1 |
2988989 |
3 |
7 |
1 |
10 |
1 |
2 |
4 |
67 |
43,9 |
8,9 |
1 |
0 |
2679907 |
3 |
7 |
6 |
10 |
1 |
1 |
4 |
64,1 |
38,2 |
8,3 |
6 |
1 |
2519990 |
3 |
7 |
5 |
14 |
2 |
1 |
4 |
58 |
38 |
7,8 |
5 |
1 |
2649453 |
3 |
7 |
3 |
3 |
9 |
1 |
4 |
77,9 |
53,3 |
7,4 |
6 |
1 |
2800943 |
3 |
6 |
9 |
10 |
1 |
2 |
2 |
71,6 |
39,4 |
9,7 |
2 |
1 |
3719965 |
3 |
6 |
10 |
10 |
1 |
2 |
4 |
68,2 |
39,7 |
9,8 |
3 |
1 |
3002308 |
3 |
6 |
5 |
9 |
1 |
2 |
4 |
70,1 |
44,3 |
9 |
6 |
1 |
3263430 |
3 |
1 |
2 |
5 |
6 |
2 |
2 |
66 |
40 |
8 |
1 |
1 |
3426507 |
3 |
1 |
9 |
9 |
1 |
2 |
2 |
67,2 |
44,2 |
8,7 |
2 |
0 |
3030623 |
3 |
1 |
9 |
9 |
4 |
2 |
4 |
53,2 |
37,1 |
7,8 |
6 |
0 |
2950734 |
3 |
1 |
4 |
4 |
3 |
1 |
4 |
58,3 |
43,3 |
6 |
2 |
1 |
2706260 |
3 |
1 |
2 |
2 |
4 |
1 |
4 |
74,7 |
49,7 |
7,3 |
1 |
1 |
2470590 |
3 |
1 |
15 |
15 |
8 |
1 |
4 |
128 |
45,9 |
12,2 |
6 |
1 |
14411489 |
3 |
1 |
10 |
10 |
1 |
1 |
2 |
61,5 |
44,1 |
8,3 |
5 |
1 |
7734965 |
3 |
1 |
3 |
5 |
2 |
2 |
4 |
46,6 |
32,4 |
5,8 |
2 |
1 |
2762960 |
4 |
5 |
5 |
16 |
1 |
2 |
4 |
84,5 |
52,2 |
9 |
2 |
1 |
5168793 |
4 |
3 |
1 |
5 |
2 |
2 |
4 |
61,2 |
44,9 |
5,8 |
1 |
1 |
3422368 |
4 |
3 |
4 |
5 |
2 |
2 |
4 |
61,1 |
44,1 |
8 |
2 |
1 |
3254505 |
4 |
3 |
9 |
10 |
1 |
1 |
2 |
69 |
46 |
9 |
3 |
1 |
4727228 |
4 |
4 |
0 |
9 |
8 |
1 |
4 |
143,3 |
82,2 |
31 |
6 |
1 |
14386530 |
4 |
6 |
1 |
9 |
1 |
2 |
2 |
85 |
55 |
9 |
1 |
1 |
3487180 |
4 |
6 |
9 |
9 |
1 |
2 |
4 |
85,9 |
54,9 |
8,9 |
3 |
1 |
3344314 |
4 |
1 |
1 |
5 |
2 |
1 |
4 |
62,7 |
45,2 |
6,2 |
1 |
1 |
3135085 |
4 |
1 |
4 |
16 |
1 |
2 |
2 |
84,2 |
53,3 |
9 |
4 |
1 |
4873767 |
5 |
4 |
7 |
10 |
10 |
1 |
4 |
175,4 |
107,5 |
21,9 |
6 |
0 |
12655710 |
5 |
6 |
9 |
10 |
1 |
1 |
4 |
145,9 |
72,7 |
12,3 |
6 |
0 |
5104523 |
Приложение 2
Тестируемая выборка
X1 |
X2 |
X3 |
X4 |
X5 |
X6 |
X7 |
X8 |
X9 |
X10 |
X11 |
X12 |
Y1 |
1,00 |
5,00 |
1,00 |
5,00 |
3,00 |
1,00 |
4,00 |
31,00 |
17,30 |
6,00 |
1,00 |
0,00 |
2060000 |
1,00 |
5,00 |
2,00 |
9,00 |
5,00 |
1,00 |
4,00 |
20,90 |
11,70 |
4,70 |
2,00 |
1,00 |
1700000 |
1,00 |
5,00 |
1,00 |
9,00 |
4,00 |
2,00 |
4,00 |
32,60 |
16,90 |
7,30 |
3,00 |
1,00 |
2140000 |
1,00 |
5,00 |
5,00 |
5,00 |
2,00 |
2,00 |
2,00 |
34,00 |
19,00 |
6,00 |
2,00 |
0,00 |
1755000 |
1,00 |
5,00 |
1,00 |
9,00 |
4,00 |
2,00 |
4,00 |
29,50 |
15,60 |
7,60 |
1,00 |
1,00 |
2155000 |
1,00 |
5,00 |
1,00 |
5,00 |
6,00 |
1,00 |
4,00 |
33,20 |
18,60 |
6,40 |
2,00 |
0,00 |
2150000 |
2,00 |
4,00 |
5,00 |
5,00 |
2,00 |
1,00 |
4,00 |
46,30 |
29,40 |
5,80 |
4,00 |
1,00 |
2950000 |
2,00 |
4,00 |
5,00 |
5,00 |
2,00 |
2,00 |
4,00 |
45,40 |
31,70 |
6,00 |
4,00 |
1,00 |
2800000 |
2,00 |
4,00 |
2,00 |
17,00 |
1,00 |
1,00 |
2,00 |
57,00 |
29,00 |
9,00 |
5,00 |
0,00 |
3950000 |
2,00 |
5,00 |
5,00 |
10,00 |
1,00 |
2,00 |
2,00 |
53,00 |
31,30 |
8,80 |
5,00 |
0,00 |
2830000 |
2,00 |
5,00 |
2,00 |
5,00 |
2,00 |
1,00 |
2,00 |
49,30 |
29,00 |
5,70 |
2,00 |
0,00 |
2700000 |
2,00 |
5,00 |
3,00 |
5,00 |
2,00 |
1,00 |
2,00 |
45,20 |
30,30 |
5,80 |
4,00 |
1,00 |
2600000 |
3,00 |
3,00 |
6,00 |
9,00 |
4,00 |
2,00 |
2,00 |
62,70 |
46,10 |
7,50 |
6,00 |
1,00 |
3850000 |
3,00 |
3,00 |
1,00 |
5,00 |
3,00 |
1,00 |
4,00 |
57,00 |
44,00 |
6,00 |
1,00 |
0,00 |
2700000 |
3,00 |
5,00 |
9,00 |
9,00 |
1,00 |
1,00 |
2,00 |
63,30 |
39,50 |
8,30 |
6,00 |
1,00 |
2900000 |
3,00 |
5,00 |
9,00 |
9,00 |
4,00 |
2,00 |
4,00 |
70,60 |
48,30 |
9,60 |
6,00 |
1,00 |
3550000 |
4,00 |
4,00 |
3,00 |
17,00 |
8,00 |
1,00 |
4,00 |
104,20 |
68,10 |
9,60 |
6,00 |
1,00 |
7000000 |
4,00 |
7,00 |
3,00 |
10,00 |
1,00 |
2,00 |
2,00 |
108,60 |
80,00 |
0,00 |
5,00 |
1,00 |
5150000 |
4,00 |
7,00 |
10,00 |
10,00 |
1,00 |
1,00 |
2,00 |
80,00 |
49,00 |
8,30 |
5,00 |
1,00 |
3850000 |
5,00 |
3,00 |
5,00 |
10,00 |
8,00 |
2,00 |
4,00 |
125,20 |
68,80 |
14,90 |
3,00 |
1,00 |
7400000 |
Приложение 3
Ошибка обучения персептрона