Пантелеев Е.Р. Методические указания для лабораторного практикума

Подождите немного. Документ загружается.

Страна X1 X2 X3 X4 X5 X6

Испания 89 28,46 54,8 7,3 103 72

Италия 84 30,27 72,1 8,5 169 118

Казахстан 61 69,04 13,4 3,3 10 191

Канада 98 25,42 79,9 10,2 123 77

Киргизия 46 53,13 11,2 3,4 20 134

Задание 2

Рост промышленного производства в Ивановской облас-

ти в апреле 2002 года по основным отраслям промышленности

характеризуется следующими показателями: X1 - индекс физи-

ческого объема выпуска продукции к предыдущему месяцу, %;

Х2 - индекс физического объема выпуска продукции к соответст-

вующему месяцу прошлого года, %; Х3 - индекс физического

объема выпуска продукции к соответствующему периоду про-

шлого

года, %.

Отрасль промышленности Х1 Х2 Х3

Электроэнергетика 58,9 111,9 99,2

Топливная 105,1 99 86

Черная металлургия 85,6 45 89,7

Химическая и нефтехимическая (без химико-

фармацевтической)

86,9 79,1 78,5

Машиностроение и металлообработка 57 118 92

Лесная, деревообрабатывающая и целлюлозно-

бумажная 80,2 69,7 76,9

Стройматериалов 106,5 100,6 97

Легкая 103,4 130,7 119,1

Пищевая 105,7 125,8 114,3

Мукомольно-крупяная и комбикормовая 100 78 68,8

Медицинская 101,1 93,7 94,1

Полиграфическая 152,6 179 103,8

Задание 3

Анализ заработной платы по городам и районам Иванов-

ской области в 2001 году проводился по следующим показате-

лям: X1 - среднемесячная заработная плата, руб; Х2 - средне-

месячная заработная плата в промышленности, руб.

Территория X1 X2

Иваново 2149,4 2191,9

Ивановский район 1723,4 1836,1

Вичуга 1495,9 1548,7

Вичугский район 1056,9 1183,5

Кинешма 1673,7 1789,2

Кинешемский район 1514,6 1556,8

Тейково 1509 1736,2

Тейковский район 1246,6 829,7

Фурманов 1626,8 1776,4

Территория X1 X2

Фурмановский район 1041,6 799,7

Шуя 1737,7 1923,8

Шуйский район 1173 1505,4

Верхнеландеховский район 1190,6 646,9

Гаврилово-Посадский район 1569,3 1597,3

Заволжский район 1280,9 1534,1

Ильинский район 1245,4 1466

Комсомольский район 1222,6 1340,7

Лежневский район 2126,1 1830,8

Лухский район 1176 1144,3

Палехский район 1245,1 1263,3

Пестяковский район 1390,7 767,5

Приволжский район 1524,8 1774,6

Пучежский район 1265 1276,7

Родниковский район 1311,8 1395,3

Савинский район 1220,8 1218,9

Южский район 1256,5 1115,3

Юрьевецкий район 1000,6 911,9

Задание 4

Уровень медицинского обслуживания субъектов РФ цен-

трального федерального округа характеризуется показателями:

X1 - обеспеченность населения врачами, человек на 10000 на-

селения; Х2 - обеспеченность средним медицинским персона-

лом, человек на 10000 населения; Х3 - обеспеченность боль-

ничными койками, число на 10000 населения; Х4 - обеспечен-

ность врачебными амбулаторно-поликлиническими учрежде-

ниями, число посещений в смену на 10000 населения.

Субъект ЦФО Х1 Х2 Х3 Х4

Белгородская область 38,2 117,4 125 199,8

Брянская область 36,6 109,6 123,1 202,9

Владимирская область 36,2 104,3 121 293,9

Воронежская область 49,3 113,3 118,9 192

Ивановская область 51,3 138,8 142 188,7

Калужская область 39,5 104,1 114,4 242,7

Костромская область 35,9 120,1 145,3 187

Курская область 45,5 107 115,3 206

Липецкая область 39,2 123,3 130,7 291,4

Московская область 33,9 87,9 106,7 246,7

Орловская область 36,7 112,2 118,9 180

Рязанская область 51,7 120,3 131,7 215,3

Смоленская область 57,6 109 130,6 230,9

Тамбовская область 33 104,1 126,5 224,5

Тверская область 48,9 101,7 121,7 183,7

Тульская область 32,8 114,9 142,4 219,7

Ярославская область 54,5 106,7 125,9 250,3

г. Москва 86 121,6 122 416,9

Задание 5

Анализируется движение населения за 2000 год в субъ-

ектах РФ центрального федерального округа по следующим по-

казателям: X1 - естественный прирост населения, на 1000 насе-

ления; Х2 – миграционный прирост населения, на 1000 населе-

ния.

Субъект ЦФО X1 X2

Белгородская область -7,4 100

Брянская область -10,2 7

Владимирская область -11,3 21

Воронежская область -10,2 29

Ивановская область -13,2 22

Калужская область -10,6 16

Костромская область -10,4 24

Курская область -10,1 5

Липецкая область -8,6 47

Московская область -10 56

Орловская область -9,7 27

Рязанская область -12,1 9

Смоленская область -12,5 -4

Тамбовская область -10,7 -3

Тверская область -13,5 11

Тульская область -14,2 2

Ярославская область -10,7 25

г. Москва -6,7 78

Отчет должен содержать:

• Варианты разбиения по каждому из предложенных алго-

ритмов.

• Дендограмма работы одного из алгоритмов, приводяще-

го к выбранному варианту разбиения, с указанием рас-

стояний, на которых происходит объединение кластеров.

• Принадлежность объектов к кластерам, центроиды.

Вопросы для самоконтроля

• Каковы основные положения любого критерия качества

разбиения?

•

Насколько информативно представление результатов

кластерного анализа на диаграмме рассеяния?

• Чем отличается один метод от другого? Одинаковы ли

дендограммы для разных методов, дающих одинаковое

разбиение?

• Охарактеризуйте тот или иной получившийся кластер.

• Опишите в самом общем виде работу любого алгоритма

кластерного анализа, иерархических процедур.

• Как можно придать дополнительную классифицирующую

силу той или иной исходной переменной?

• На основании каких параметров сделан вывод об окон-

чательном варианте разбиения.

• Опишите работу иерархического алгоритма на конкрет-

ном примере по шагам.

РАБОТА 3. НЕЙРОННЫЕ

СЕТИ

Краткая характеристика

Искусственные нейронные сети (ИНС) представляют па-

радигму обработки информации, базирующуюся на той или иной

упрощенной математической модели биологических нейронных

систем. ИНС организует свою работу путем распределения про-

цесса обработки информации между нейроэлементами, связан-

ными между собой посредством синаптических связей. Выявле-

ние закономерностей в данных исходной выборки осуществля

ется путем обучения ИНС, в процессе которого производится

корректировка величин синаптических связей. Круг задач, ре-

шаемых при помощи данных методов, также довольно широк:

распознавание образов, адаптивное управление, прогнозирова-

ние, построение экспертных систем и др. Основными недостат-

ками нейросетевой парадигмы являются необходимость иметь

большой объем обучающей выборки, отсутствие универсальных

топологий и

настроек сети. Еще один существенный недостаток

заключается в том, что ИНС представляет собой черный ящик,

не поддающийся интерпретации.

Пример анализа

Лабораторная работа по нейронным сетям выполняет-

ся на Neural Analyzer - программе, входящей в состав демонст-

рационной версии аналитического пакета «Deductor». В качестве

примера рассмотрим обучающую выборку, имитирующую функ-

циональную SUM=S1+S2.

S1 S2 SUM

0 0 0

0 2 2

0 3 3

0 4 4

0 5 5

0 9 9

0 10 10

1 0 1

1 2 3

1 3 4

1 7 8

1 8 9

2 1 3

2 3 5

2 4 6

2 5 7

2 7 9

3 1 4

3 2 5

3 6 9

3 7 10

4 0 4

4 1 5

4 2 6

4 3 7

4 4 8

4 5 9

5 0 5

5 1 6

5 3 8

5 4 9

6 0 6

6 2 8

7 0 7

7 1 8

7 3 10

8 2 10

9 0 9

9 1 10

Для начала работы необходимо сформировать тексто-

вый файл с разделителями, содержащий указанную обучающую

выборку. После этого можно подключиться к сформированному

источнику данных, выбрав пункт меню «Файл/Создать…». При-

мер подключения приведен на рис. 3.1.

Рис. 3.1. Настройка подключения к источнику данных

После подключения автоматически запускается мастер

обучения нейронной сети, который поможет выполнить все не-

обходимые шаги от настройки до обучения сети. Процесс обуче-

ния состоит из 6 шагов, которые будут рассмотрены ниже.

Шаг 1: настойка полей. На данном этапе выбираются по-

ля, которые будут использованы для обучения сети. Для нашего

случая поля «s1» и «s2» являются

входными, т.е. значения дан-

ного поля будут подаваться на вход сети, а поле «sum» - целе-

вое, и его значения будут являться эталонными и использовать-

ся для сравнения с выходом сети (рис. 3.2). Кроме этого, на

данном этапе для полей, имеющих числовой тип, надо указать

тип нормализации. В задании предлагается использовать только

линейный тип нормализации исходных данных, поэтому оставим

данную настройку без изменения.

Шаг 2: настройка параметров сети. Следующее окно

мастера позволяет установить ряд параметров, используемых

при создании и обучении сети. В соответствие с заданием здесь

возможно варьирование двух параметров: алгоритма обучения

(Back Propagation и Resilient Propagation) и крутизны сигмоиды.

Параметры, используемые для нашего примера, указаны на

рис.

3.3.

Рис. 3.2. Настройка полей

Рис. 3.3. Настройка параметров сети

Шаг 3: параметры обучения. Здесь, во-первых, необхо-

димо определить конфигурацию сети, т.е. количество скрытых

слоев и количество нейронов в каждом из них. Количество ней-

ронов во входном и выходном слое определяется автоматиче-

ски в соответствии с количеством и типом полей, участвующих

в обучении. Хотя до сих пор не выработаны

четкие критерии вы-

бора конфигурации сети, дать некоторые рекомендации все же

возможно. Считается, что задачу любой сложности можно ре-

шить при помощи двухслойной нейросети, поэтому конфигура-

ция с количеством скрытых слоев, превышающих два, вряд ли

оправдана. При выборе количества нейронов следует руково-

дствоваться следующим правилом: количество связей между

нейронами должно

быть меньше количества примеров в обу-

чающем множестве. В нашем случае остановимся на одном

скрытом слое с восемью нейронами. Дополнительно обеспечим

разделение обучающего множества на обучающее и тестовое в

пропорции 90%:10%. Остальные настройки оставим без измене-

ния (рис. 3.4).

Рис. 3.4. Настройка параметров обучения

Шаг 4: условия остановки. В качестве условия остановки

обучения в задании предлагается использовать достижение

5000 эпох.

Шаг 5: описание сети. Здесь дано описание текущей

конфигурации сети в текстовом виде.

Рис. 3.5. Настройка остановки обучения

Рис. 3.6. Непосредственно обучение сети

Шаг 6: обучение сети. На данном шаге можно приступить

непосредственно к обучению сети в соответствие с указанными

настройками, нажав на соответствующую кнопку. Во время обу-

чения отображаются следующие параметры сети: значения

максимальной и средней квадратичной ошибок для обучающего

и тестового множества, а также процент распознанных приме-

ров. Именно по ним определяется качество обученной нейрон-

ной сети.

По окончании процесса обучения открывается окно обу-

чающей выборки. С его

помощью можно определить, на каких

примерах сеть «ошиблась» больше всего. Далее здесь можно

получить информацию об обученной сети, выбрав пункт меню

«Сеть/Информация о сети», где можно, в частности, проконтро-

лировать полученные веса синаптических связей (рис. 3.7). И

наконец, по полученной нейросетевой модели можно провести

эксперимент на некоторых новых данных (рис. 3.8).

Рис. 3.7. Окно с информацией об обученной сети

Пантелеев Е.Р. Методические указания для лабораторного практикума - Интеллектуальный анализ данных

Подождите немного. Документ загружается.