/>
8. Залишивши настройки третій кроку майстра незмінними (95% - навчальна множина, 5% - тестове).
. На четвертому змінимо структуру нейромережі - задамо число прихованих шарів рівним 3.
10. Залишимо налаштування процесу навчання нейронної мережі на п'ятому кроці майстра без змін.
11. На другий кроці вкажемо параметри зупинки навчання: помилка повинна бути менше 0,005; в навчальному і тестовому безлічі повинно бути розпізнано 95%.
12. Зробимо навчання нейронної мережі з вказаними параметрами.
. Для аналізу отриманої моделі на восьмому кроці майстра виберемо наступні способи відображення: в секції «Data Mining» вкажемо «Діаграма розсіювання», «Табличні дані» - «Таблиця», «Графіки» - «Діаграма».
Малюнок 6 - Діаграма розсіювання побудованої нейромережі
Малюнок 7 - Таблиця значень побудованої нейромережі
Малюнок 8 - Графік зміни значень побудованої нейромережі
Оцінка точності рішення
Для перевірки прогностичних якостей моделі використовують процедуру крос-перевірки. Модель будується по вибірці з обрізаним «хвостом», а потім порівнюються «хвіст» і прогноз. [8] У нашому випадку прогноз останній сесії, побудований нейромережею, виявився неінформативним - значення на 15.11.2014 не збігаються на 2,938 (- 6,2%).
Судячи по діаграмі, розкид між еталонними значеннями вихідного поля і значеннями, розрахованими моделлю, досить великий. Це говорить про необхідність збільшення навчальної вибірки або предобработки даних. Приміром, варто видалити аномалії, прибрати шуми, змінити набір вхідних параметрів і т.п.
Висновки
До недоліків прогнозування за допомогою нейронних мереж можна віднести наступне: тривалий час навчання, проблема перенавчання, трудність визначення положення навчальної вибірки і значущих входів. [8]
Як видно з Малюнок 8 графік значень нейромережі (Курс + 1_OUT) значно відрізняється від графіка відомих значень на наступний день (Курс) в початковому (незначні відмінності) і кінцевому (значні) періоді дослідження. Значно ближче до цільового значення графік, отриманий за допомогою апроксимації ковзаючим вікном (Курс + 1), що говорить про нездатність нейронної моделі пророкувати короткострокове майбутнє досить докладно, як це може знадобитися трейдеру валютного ринку.
Список літератури
1. Deductor 4 - прогнозування. BIGroup Labs. [В Інтернеті] [Цитировано: 20 жовтня 2014 r.] # Laquo; justify gt ;. Прогнозування за допомогою нейронних мереж. [В Інтернеті] [Цитировано: 20 жовтня 2014 r.] # Laquo; justify gt ;. Паклин, Н. і Орєшков, В. Бізнес-аналітика: від даних до знань. СПб.:Питер, 2013.
. Паклин, Н. Логістична регресія і ROC-аналіз - математичний апарат. BaseGroup Labs. [В Інтернеті] [Цитировано: 3 листопада 2014 r.] # Laquo; justify gt; 5. Чубукова, І. А. Data Mining. Інтуїт - національний відкритий університет. [В Інтернеті] [Цитировано: 3 листопада 2014 r.] # Laquo; justify gt ;. Гуаццеллі, Алекс. Прогнозування майбутнього: Частина 2. Методи прогностичного моделювання. developerWorks Росія. [В Інтернеті] IBM, 10 Січня 2012 r. [Цитировано: 11 березня 2014 r.] # Laquo; justify gt ;. Чучуева, І. Два способи підвищити точність прогнозу. Математичне бюро. [В Інтернеті] 30 січня 2012 r. [Цитировано: 11 березня 2014 r.] # Laquo; justify gt ;. Пешніна, М. А. Матеріали Міжнародного молодіжного наукового форуму «ЛОМОНОСОВ - 2014». [1 електрон. опт. диск (DVD-ROM)] М.: МАКС Пресс, 2014 r.
. Павуків, Д. Прогнозування за допомогою штучних нейронних мереж. ДНТУ. [В Інтернеті] [Цитировано: 20 жовтня 2014 r.] # Laquo; justify gt ;. Чубукова, І. А. Лекція 9: Методи класифікації та прогнозування. Дерева рішень. Інтуїт - національний відкритий університет. [В Інтернеті] [Цитировано: 3 листопада 2014 r.] Http://intuit/studies/courses/6/6/lecture/174.
