4.2 Побудова нейромережі

Використовуючи нейромережеві алгоритми можна побудувати шукану залежність між цими параметрами. Це завдання виконано за процедурою Майстра обробки «Нейросеть».

Рис.24 Вхідні поля для аналізу з використанням нейромережі

Рис.25 Вибір навчальної\тестової підмножини

Рис.26 Процес навчання нейромережі

Рис.27 Багатофакторна нейромережева модель

На рисунку 27 ми можемо спостерігати нейромережеву модель, яка містить в собі інформацію про взаємовплив наших даних.

5 Візуалізація результатів

5.1 Побудова Карти Кохонена

Карти Кохонена – використовуються для вирішення таких завдань, як пошук закономірностей у великих масивах даних, виявлення наборів незалежних ознак і стиснення інформації.

Побудуємо залежність видобутку біоресурсів у внутрішніх водоймах до видобутку у Світовому океані та у економічних зонах інших держав.

Рис.28 Вибір полів для побудови карти Кохонена

Рис.29 Фрагмент карти Кохонена

За допомогою Карти кохонена і вказівника миші ми можемо дізнатися вплив кожного фактору на результуючі поля.

5.2 Побудова olap-кубу

Зважаючи на те, що ми маємо відносно не велику вибірку даних, OLAP-куб дасть мало інформації, але все-таки спробуємо отримати хоч щось.

Побудова OLAP-кубу здійснювалась за допомогою Мастра візуалізації:

Рис.30 Налаштування полів куба

Рис.31 Налаштування вимірів куба

Рис.32 Вибір фактів

Рис.33 Побудований OLAP-куб для набору даних

Як і було вище сказано, OLAP-куб бажає бути кращим, також до недоліків Deductor Academic можна віднести те, що він не дозволяє проводити експорт даних у більш наглядний формат.