Оглавление

Задание курсовой работы. 1

Предметная область. 3

Исходные данные. 4

Компонентный анализ. 4

Кластерный анализ. 20

Построение дерева решений. 25

Нейросетевой анализ данных на основе обучения с учителем. 29

Нейросетевой анализ данных на основе самоорганизующихся карт Кохонена. 30

Анализ с помощью гибридной (нейро-нечеткой) сети. Построение выборки. 33

Анализ и разбиение второго класса. 34

Компонентный анализ. 34

Кластерный анализ. 36

Построение дерева решений. 38

Нейросетевой анализ данных на основе обучения с учителем. 38

Нейросетевой анализ данных на основе самоорганизующихся карт Кохонена. 39

Анализ с помощью гибридной (нейро-нечеткой) сети. 39

Вывод. 45

Список литературы. 46

Задание курсовой работы.

1. Подготовить выборку на основе статистических данных по выбранной предметной области; перечень тем для проведения макроэкономического анализа указаны в приложении, темы также могут быть предложены студентом самостоятельно. Требования к выборке: количество объектов – не менее 50; количество признаков – больше 7; значения признаков – числовые.

2. Выполнить компонентный анализ данных с использованием пакета Statgraphics для предварительной обработки данных с целью определения наиболее значимых для последующего анализа признаков. Предварительно сформировать правила классификации объектов.

3. Провести кластерный анализ данных с использованием пакета Statgraphics. Сформулировать правила классификации объектов. По результатам проведенного анализа дополнить обучающую выборку столбцом с номером класса.

4. Провести нейросетевой анализ данных на основе обучения с учителем с использованием пакета Deductor (выполнить решение задач классификации). Использовать режимы обучения и what-if – анализ для отнесения нового объекта к какому-либо классу.

5. Провести нейросетевой анализ данных на основе самоорганизующихся карт Кохонена (обучение без учителя) с использованием пакета Deductor (выполнить решение задач кластеризации). Применение метода самоорганизующихся карт позволяет решать задачи кластеризации и дает возможность подтвердить результаты проведенного компонентного и кластерного анализа данных. What-if – анализ позволяет определить принадлежность нового объекта к классу.

6. Сопоставить результаты нейросетевого анализа (п.4.и п.5).

7. Разработать гибридную (нейро-нечеткую) сеть для принятия решения по управлению объектом в выбранной предметной области. Для этого необходимо составить дополнительную обучающую выборку, структура которой соответствует правилам принятия решений вида «если-то»:

	№ кластера	Ресурсы		Принимаемое решение
ЕСЛИ			ТО

№ кластера – номера кластеров, полученные по результатам нейросетевого анализа данных;

ресурсы – имеющиеся у ЛПР в наличии запасы (финансовые или иные средства), которые могут быть использованы для изменения (улучшения) состояния объекта;

принимаемое решение – набор типовых решений, принимаемых для изменения (улучшения) состояния объекта.

8. Применить разработанную нейро-нечеткую сеть для различных наборов исходных данных, сделать выводы.

Предметная область.

Потребление основных продуктов питания в регионах Российской Федерации за 2012 год.

Объекты – регионы Российской Федерации, признаки – осовные продукты питания.

Исходные данные.

Исходные данные представлены в прилагающемся документе Исходная выборка.xls. В данной выборке входными полями являются «Картофель», «Растительное масло», «Молоко и молочные продукты», «Мясо и мясопродукты», «Бахчевые культуры», «Рыба и рыбопродукты», «Сахар», «Фрукты и ягоды», «Хлебные продукты» и «Яйца и яйцепродукты».

Таким образом, получаем 80 объектов и 10 признаков, значения которых являются числовыми.