Решение задачи регрессии в пределах одного кластера.
Теперь решение задачи регрессии становится простой и формальной процедурой.
Указав на кластер, нам необходимо вычислить итоговое значение z для четверки предикторов.
Для решения этой задачи для каждого кластера необходимо построить регрессионную нейронную сеть.
Сценарий решения задачи регрессии разобран в первом разделе данной статьи.
Воспользуемся этим же сценарием для решения задачи регрессиивнутри4-го кластера.
(Для остальных кластеров подход к решению аналогичный)
Ограничим все множество данных четвертым кластером:
Для этого в стартовой панели модуля SNN - Нейронные сетинажмем кнопкуSelect Cases - Выбор наблюдений
введем условие на включение наблюдений в анализ cluster=4.
Результаты – рис.23. - График показывает качественно построенную модель.
Рис.23. График наблюдаемых и предсказанных значений.
Увеличение разл. обл. графика так же показывает, что модель построена верно.
Изучение значений остатков подтверждает выводы.
Относительная ошибка не превышает 5%.
Для остальных кластеров были получены аналогичные результаты.
задача решена.
Резюме
Данная работа представляет собой решение задачи обобщенной нелинейной регрессии z = f(x, y, factor1, factor2) с применением идеологии нейронных сетей, реализованной в пакете STATISTICA Neural Networks.
была предпринята попытка решить поставленную задачу сразу, т.е. подобрать нейронную сеть, предсказывающую поведение физического процесса независимо от типа исходных данных
В результате была найдена нейронная сеть с неплохой производительностью, но совершенно не удовлетворяющая требования к решению задачи в области малых значений x и y
Выявлено противоречие данных о природе изучаемого физического процесса теореме Колмогорова о полноте, т.к. функция процесса не является непрерывной.
чтобы исправить положение, было решено разбить данные на однородные подгруппы – кластеры
Комбинация методов Древовидной классификациииКластеризации К-среднихпривела к хорошему результату.
Было выявлено четыре кластера.
На следующем этапе был построен нейросетевой классификатор. Данный инструмент позволяет отнести многомерный объект (x, y, factor1, factor2) к одному из четырех кластеров. Созданный классификатор обладает производительностью близкой к 100%.
На завершающем этапе внутри каждого из кластеров строится регрессионная нейронная сеть. Точность предсказанных значений не хуже 5% для каждого из выделенных кластеров.