- •Донбасская государственная машиностроительная академия Теория принятия решений
- •Краматорск 2011
- •Лабораторная работа № 1 Экспертные процедуры принятия решений. Методы обработки экспертной информации: одномерное шкалирование
- •Алгоритм метода одномерного шкалирования
- •Пример выполнения задания
- •Лабораторная работа № 2 Принятие решений на основе теории полезности
- •Краткие теоретические сведения Анализ и решение задач с помощью дерева решений
- •Основные определения концепции полезности
- •Лабораторная работа № 3 Принятие оптимального решения на основе теории игры
- •Краткие теоретические сведения
- •Лабораторная работа №4 Принятие многоцелевых решений
- •Краткие теоретические сведения
- •Пример выполнения задания
- •Лабораторная работа № 5 Принятие решений на основе метода динамического программирования
- •Пример выполнения задания
- •Вариант № 1, 4, 8, 15, 17, 20
- •Обработчик и визуализатор «Дерево решений»
- •Обработчик «Группировка»
- •Обработчик «Сортировка»
- •Визуализатор «Карта Кохонена»
- •Визуализатор «Правила»
- •Визуализатор «Таблица сопряженности»
- •Визуализатор «Что-если»
- •Обработчик «Автокорреляция»
- •Обработчик «Парциальная предобработка»
- •Обработчик «Скользящее окно»
- •Обработчик «Нейросеть»
- •Обработчик «Прогнозирование»и визуализатор «Диаграмма прогноза»
- •Обработчик «Разгруппировка»
- •Лабораторная работа № 7 Создание сппр для принятия решений по кредитованию
- •Лабораторная работа № 8 создание сппр для экспертной оценки объектов
- •Самостоятельная работа
- •Список рекомендуемой литературы
Визуализатор «Правила»
Данный визуализатор является альтернативой дереву решений – правила отображаются не в иерархичном, а обычном продукционном виде «Если-то».
Визуализатор «Таблица сопряженности»
Для того чтобы оценить качество классификации данных, обычно используют таблицу сопряженности. Для решения задачи классификации используется таблица, в которой уже есть выходной столбец, содержащий класс объекта. После применения алгоритма добавляется еще один столбец с выходным полем, но его значения уже вычисляются, используя построенную модель. При этом значения в столбцах могут отличаться. Чем больше таких отличий, тем хуже построенная модель классификации. Ниже изображен пример таблицы сопряженности.
|
Классифицировано | |||
Фактически |
Класс 1 |
Класс 2 |
Класс 3 |
Итого |
Класс 1 |
239 |
|
|
239 |
Класс 2 |
7 |
10 |
|
17 |
Класс 3 |
4 |
1 |
17 |
22 |
Итого |
250 |
11 |
17 |
278 |
В данном примере три класса, поэтому таблица сопряженности имеет размер 3 на 3 ячейки. На главной диагонали показано количество правильно классифицированных примеров (зеленый цвет). Красным цветом выделены неправильно распознанные примеры.
Таблицу сопряженности удобно применять для оценки качества модели, построенной с помощью обработчика «Дерево решений». Если количество неправильно классифицированных примеров довольно велико, это говорит о плохо построенной модели и нужно либо изменить параметры построения модели, либо увеличить обучающую выборку, либо изменить набор входных полей. Если же количество неправильно классифицированных примеров мало, это может быть почвой для дальнейшего анализа и говорит о том, что пример является аномалией. В этом случае можно посмотреть, чем же характеризуются такие примеры и возможно добавить новый класс для отнесения этих примеров.
Визуализатор «Что-если»
Анализ по методу «Что-если» позволяет исследовать как будет вести себя построенная система обработки при подаче на ее вход тех или иных данных. Проще говоря, проводится эксперимент, в котором, изменяя значения входных полей обучающей или рабочей выборки нейронной сети или дерева решений, пользователь наблюдает за изменением значений на выходе (рис. 3.4).
Рис. 3.4. Таблица «Что-если»
С использованием диаграммы «Что-если» можно решать обратную задачу – то есть визуально наблюдать, при каких значениях входных переменных будет достигнуто желаемое выходное значение (рис. 3.5).
Рис. 3.5. Диаграмма «Что-если»
Обработчик «Автокорреляция»
Целью автокорреляционного анализа является выяснение степени статистической зависимости между различными значениями (отсчетами) случайной последовательности, которую образует поле выборки данных. В процессе автокорреляционного анализа рассчитываются коэффициенты корреляции (мера взаимной зависимости) для двух значений выборки, отстоящих друг от друга на определенное количество отсчетов, называемые также лагом.
Применительно к анализу временных рядов автокорреляция позволяет выделить месячную и годовую сезонность в данных (рис. 4.1). Видно, что пик зависимости на данных приходится на 12 месяц, что свидетельствует о годовой сезонности. Поэтому величину продаж годовой давности необходимо обязательно учитывать при построении модели (если используется нейронная сеть – то подавать на вход).
Рис. 4.1. Автокорреляция