Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Методы бизнес-аналитики. Учебное пособие.pdf
61
Рис. 4.37. Состав подмножества «Место игры = дома»
Разделение корневого узла по признаку «Место игры» представлено на
рис. 4.38.
Рис. 4.38. Разделение корневого узла по признаку «Место игры»
В узле «Место игры = Дома» 4 объекта из 5 относятся к одному классу.
Об этом свидетельствуют показатели достоверности и поддержки. Выберем
узел для дальнейшего разбиения.
Среди оставшихся признаков наиболее значимыми являются «Дождь» и
«Участие лидеров соперника» (рис. 4.39).
Рис. 4.39. Значимость признаков после исключения атрибута «Место игры»
Выберем признак «Участие лидеров соперника». В узле «Участие
лидеров соперника = играют» необходимо дальнейшее разбиение на
подмножества (рис. 4.40).
62
Рис. 4.40. Распределение по классам в узле «Участие лидеров соперника»
В этом узле один объект из двух относится к одному классу (рис. 4.41).
Выберем узел для дальнейшего разбиения.
Рис. 4.41. Фрагмент дерева для признаков «Место игры» и «Участие лидеров»
Значимость оставшихся признаков по показателю Gain Ratio равна нулю.
Тем не менее признак «Дождь» правильно разделяет два оставшихся объекта
(рис. 4.42).
Рис. 4.42. Результирующее дерево решений
Диаграмма качества классификации демонстрирует безошибочное
разделение исходных данных с помощью построенного дерева (рис. 4.43).
63
Номер
объекта
1
2 … n
Рис. 4.43. Диаграмма качества классификации
4.4.5. Практическое занятие 3. Классификация многомерных объектов с
помощью дерева решений
Собрать описания устройств или технических объектов в выбранной
предметной области в виде табл. 4.6 Использовать данные электронных
магазинов или агрегаторов, например, https://market.yandex.ru. Данные
сохранить в MS Excel.
Таблица 4.6. Исходные данные
(наименование)
X1 X2 … XN Y
Для описания объектов составить набор наименований признаков {X
X
,…, XN}. Подобрать описания для n объектов, n = 20–50, N = 5–10.
2
,… ,
1
При описании объектов может учитываться множество различных
факторов: технические характеристики, массо-габаритные показатели, функция
объекта, конструкция, эргономичность и пр. Указать выходной показатель Y,
например, стоимость, количество покупок и проч.
Выполнить квантование выходного признака на 3–4 интервала.
Построить деревья решений в автоматическом и интерактивном режимах.
Сравнить полученные деревья. Из построенного оптимизированного дерева
решений выведите правила «Если – то». Указать вклад признаков в разделение
множеств объектов.
4.5. Нейросетевые модели
В Deductor существует специальный обработчик «Нейроcеть», который
реализует модель многослойного персептрона. Выделяют три типа нейронов:
64
входные, выходные, промежуточные (скрытые). В каждом слое может быть
различное количество нейронов. Нейроны выходного слоя принимают
синаптические сигналы от нейронов предыдущего слоя. Нейроны в пределах
одного слоя не соединяются между собой.
4.5.1. Классифицирующая нейросеть
Рассмотрим применение нейронной сети на примере оценки
кредитоспособности клиентов банка. Построим модель классификации,
относящей клиентов банка на основе их признаков к одному из двух классов:
«Давать кредит = Да», «Давать кредит = Нет». Импортируем файл
CreditSample.txt и запустим обработчик «Нейросеть». Укажем признаки «Код»
и «№ паспорта» как «Неиспользуемые», так как их значения уникальны.
Номинальные многозначные признаки «Цель ссуды», «Основное направление
расходов», «Отраслевая принадлежность предприятия», «Направление
деятельности заемщика» назначим как «Информационные», что исключает их
из обработки, но позволяет просматривать в итоговой таблице.
В окне назначения признаков нажмем на кнопку «Настройка
нормализации». Здесь задаются способы преобразования для числовых и
номинальных признаков, а также диапазон изменения входных сигналов (по
умолчанию от –1 до 1) и выходных (от 0 до 1) (рис. 4.44). Оставим
установленную по умолчанию линейную нормализацию для числовых входных
признаков. Для двузначных номинальных входных признаков выберем
преобразование уникальных значений в индексы. Выходной признак «Давать
кредит» преобразуем с помощью битовой маски, основанной на позиции бита,
что позволит для каждого значения признака использовать свой выходной
нейрон.
65
Рис. 4.44. Настройка нормализации переменных
Настройки разбиения исходного множества объектов на подмножества,
архитектуру многослойной сети и параметры активационной функции (рис.
4.45) оставим без изменений.
Рис. 4.45. Параметры многослойной нейросети
Число нейронов во входном и выходном слоях автоматически
устанавливается в соответствии с числом входных и выходных признаков
обучающей выборки.
При выборе количества скрытых слоев и количества нейронов для
каждого скрытого слоя нужно учитывать следующие соображения. Считается,
что задачу любой сложности можно решить при помощи двухслойной
нейронной сети. Для решения многих задач вполне подойдет однослойная
нейронная сеть. При выборе количества нейронов следует руководствоваться
правилом: “Количество связей между нейронами должно быть примерно на
порядок меньше количества примеров в обучающем множестве”. Количество
связей рассчитывается как связь каждого нейрона со всеми нейронами соседних
слоев, включая связи на входном и выходном слоях. Слишком большое
количество нейронов может привести к так называемому “переобучению” сети,
когда она выдает хорошие результаты на объектах обучающей выборки, но
практически не работает на других примерах.
На следующих шагах можно выбрать алгоритм обучения, параметры
скорости обучения, условия остановки обучения. Оставим их значения
установленными по умолчанию.
Автоматическое построение нейросети выполняется с помощью кнопки
«Пуск». В качестве визуализаторов выберем «Граф нейросети», «Таблица
сопряженности» и «Что-Если».
Граф позволяет представить нейросеть со всеми нейронами и
синоптическими связями (рис. 4.46).
66
Рис. 4.46. Граф нейронной сети оценки кредитоспособности клиентов банка
Помимо структуры сети представлена информация о значениях весов
всех связей – их цвет меняется в зависимости от веса, а соответствующее
числовое значение можно определить на цветовой шкале, расположенной в
нижней части графа нейросети.
Таблица сопряженности показывает незначительное число неправильно
распознанных нейросетью примеров, приведенное в красных ячейках (рис.
4.47). Среди них два клиента, которым не следовало давать кредит и три,
которым было неправильно отказано.
Рис. 4.47. Таблица сопряженности
Синяя и зеленая ячейки показывают число правильно распознанных
клиентов, которое составляет около 97 % объектов выборки. Информация о
качестве классификации (рис. 4.48) доступна после нажатия на инструменте Σ.
Множество объектов, на основе которой построена диаграмма – обучающее
или тестовое (все вместе).
67
Рис. 4.48. Качество классификации
Визуализатор «Что если» позволяет определить класс, к которому
относится клиент с новыми заданными атрибутами (рис. 4.49). Если Размер
ссуды – 40 000 руб., срок ссуды – 12 месяцев, среднемесячный доход 20 500
руб., имеется недвижимость, возраст – 19 лет, то нейросеть принимает решение
кредит не выдавать.
Рис. 4.49. Применение визуализатора «Что-Если»
68
В задачах классификации, когда выходной признак является числовым,
Себестои-
активов
1
1,642
3,067
0,036
-0,107
-1,497
2
1,641
1,534
0,018
-0,054
0,071
3
3,355
3,088
0,061
-0,043
0,284
4
1,677
1,544
0,031
-0,022
0,142
5
2,025
0,925
0,026
-0,016
1,11
6
1,013
0,925
0,013
-0,008
0,092
7
1,917
1,716
0,047
-0,046
0,201
8
0,958
0,858
0,023
-0,023
0,101
например, стоимость квартиры, предварительно следует преобразовать
непрерывные данные в дискретные с помощью обработчика «Квантование».
Например, задать три интервала: «дорогие», «средние», «дешевые квартиры»
(см. подразд. 4.4.2.).
4.5.2. Нейросетевая модель прогнозирования
Оценка численного показателя на основе количественных входных
признаков может выполняться традиционными методами регрессионного
анализа, обеспечивающими поиск множественного уравнения (модели)
регрессии, но и с помощью нейронных сетей. При этом работа нейронной сети
аналогична работе эксперта в той или иной предметной области, который
может оценить значение выходного показателя на основе значений входных
признаков.
Рассмотрим числовые данные, характеризующие финансовую
устойчивость организации на основе показателя рентабельности совокупного
капитала (табл. 4.7). В качестве 4-х входных факторов, потенциально
влияющих на рентабельность, выбраны: оборачиваемость совокупного
капитала; себестоимость на единицу среднегодовой стоимости активов;
рентабельность от операционной деятельности; рентабельность от
внереализационной деятельности.
Таблица 4.7. Обучающая выборка для показателей финансовой
устойчивости организации
Номер
объекта
Оборачиваемость
совокупного
капитала
мость на
единицу
среднегодовой
стоимости
Рентабельность от
операционной
деятельности
Рентабельность
внереализ
ационных
доходов
Рентабельность
совокупного
капитала
Граф нейросети с параметрами, заданными по умолчанию, представляет
собой сеть с одним выходным нейроном (рис. 4.50).
69
Рис. 4.50. Граф нейросети
На входе каждого нейрона осуществляется суммирование умноженных на
весовые коэффициенты (Weight) сигналов, поступающих с выходов
соответствующих нейронов предыдущего уровня, как указано на графе. Кроме
того, для каждого нейрона выполняется смещение активационного порога
(Shift). Выходной нейрон формирует прогнозируемое значение рентабельности
совокупного капитала.
Для определения весовых коэффициентов и смещений следует сохранить
проект Deductor в формате xml и использовать фрагмент кода, приведенный
ниже. Весовые коэффициенты и смещения выделены полужирным шрифтом.
<Neurons>
<Count>2</Count>
<I_0>
<ID>1</ID>
<Shift>-0.748298052082165</Shift>
<Links>
<Count>4</Count>
<I_0>
<ID>3</ID>
<Weight>-0.488097386376606</Weight>
</I_0>
<I_1>
<ID>4</ID>
<ToNeuron>1</ToNeuron>
<Weight>2.78798857149668</Weight>
</I_1>
<I_2>
<ID>5</ID>
<ToNeuron>2</ToNeuron>
<Weight>-0.302228023760463</Weight>
</I_2>
<I_3>
<ID>7</ID>
<ToNeuron>3</ToNeuron>
<Weight>0.30763635647038</Weight>
</I_3>
70
</Links>
</I_0>
<I_1>
<ID>2</ID>
<Shift>-0.341348167377839</Shift>
<Links>
<Count>4</Count>
<I_0>
<ID>3</ID>
<Weight>5.92640091149836</Weight>
</I_0>
<I_1>
<ID>4</ID>
<ToNeuron>1</ToNeuron>
<Weight>-2.01841057530184</Weight>
</I_1>
<I_2>
<ID>5</ID>
<ToNeuron>2</ToNeuron>
<Weight>-0.776692815277158</Weight>
</I_2>
<I_3>
<ID>7</ID>
<ToNeuron>3</ToNeuron>
<Weight>0.629719407832193</Weight>
</I_3>
</Links>
</I_1>
</Neurons>
</I_1>
<I_2>
<ID>3</ID>
<CommonTypeAF>1</CommonTypeAF>
<Neurons>
<Count>1</Count>
<I_0>
<ID>2</ID>
<Shift>0.814419001731644</Shift>
<Links>
<Count>2</Count>
<I_0>
<ID>1</ID>
<ToLayer>1</ToLayer>
<Weight>-9.41655740995515</Weight>
</I_0>
<I_1>
<ID>2</ID>
<ToLayer>1</ToLayer>
<ToNeuron>1</ToNeuron>
<Weight>7.79442992328578</Weight>
</I_1>
</Links>
</I_0>
</Neurons>
Граф нейросети с весовыми коэффициентами приведен на рис. 4.51.