классификационно-регресійні дерева
Порівняльна характеристика вищенаведених методів і моделей наведена в табл. [4].
Модель і метод
Переваги
Недоліки
Регресійні моделі та методи
простота
гнучкість
прозорість моделювання
однаковість аналізу і проектування
складність визначення функціональної залежності
трудомісткість знаходження коефіцієнтів залежності
відсутність можливості моделювання нелінійних процесів (для нелінійної регресії)
Авторегресійні моделі та методи
простота
прозорість моделювання
однаковість аналізу і проектування
безліч прикладів застосування
трудомісткість і ресурсомісткість ідентифікації моделей
неможливість моделювання нелинейностей
низька адаптивність
Моделі і методи експоненціального згладжування
простота моделювання
однаковість аналізу і проектування
недостатня гнучкість
вузька застосовність моделей
Нейромережеві моделі та методи
нелінійність моделей
масштабованість, висока адаптивність
однаковість аналізу і проектування
безліч прикладів застосування
відсутність прозорості
складність вибору архітектури
жорсткі вимоги до навчальної вибірки
складність вибору алгоритму навчання
ресурсомісткість процесу навчання
Моделі і методи на базі ланцюгів Маркова
простота моделювання
однаковість аналізу і проектування
неможливість моделювання процесів з довгою пам'яттю
вузька застосовність моделей
Моделі і методи на базі классификационно-регресійних дерев
масштабованість
швидкість і простота процесу навчання
можливість враховувати категоріальні змінні
неоднозначність алгоритму побудови дерева
складність питання зупину
Постановка завдання.
Математична постановка задачі прогнозування фінансової діяльності підприємства може бути сформульована таким чином:
Собівартість товару S є сумою вартості сировини Ss, вартості виготовлення товару Si, загальновиробничих витрат Sr.
Прибуток (П) є твір ціни (P) на обсяг продажів (Q) мінус витрати (Z):
Таким чином, цільова функція буде виглядати наступним чином:
...
